Поскольку машинное обучение и исследования в области искусственного интеллекта делают успехи ежедневно, часто может показаться, что обо всех крутых, инновационных границах в этой области уже говорят. Это особенно актуально, если вы только начинаете. На этой неделе мы хотели бы напомнить вам (и себе тоже), как много еще предстоит узнать, вырасти и улучшить в этих областях. Если вам нужен толчок, чтобы продолжить работу, или доза вдохновения, которая поможет вам запустить следующий проект, то вам сюда!
- Познакомьтесь с тремя многообещающими задачами машинного обучения. Да, большие языковые модели и компьютерное зрение более эффективны, чем мы могли себе представить всего несколько лет назад. Но, как ясно дал понять Винсент Ванхук в своем недавнем посте, еще так много предстоит сделать. От обратной задачи видеоигры до следующего этапа обучения с подкреплением Винсент представляет три направления, на которых, по его мнению, будет сосредоточена область в ближайшие месяцы и годы.
- Откройте для себя новые способы использования машинного обучения и НЛП для поддержки поставщиков услуг в области психического здоровья. COVID-19 сделал работу специалистов в области психического здоровья еще более сложной, чем обычно: все больше людей испытывают тревогу и стресс, а личные контакты труднее (если не невозможно) планировать. Тиффани Мешкат и ее коллеги из Crisis Text Line использовали методы обработки естественного языка для анализа текстовых сообщений подростков, что позволило им проверять и сортировать обращающихся людей, а также выявлять закономерности в проблемах. они воспитывали.
- Узнайте о будущем открытого обучения с подкреплением. Обучение с подкреплением — подобласть машинного обучения, в которой агенту, мотивированному вознаграждением, поручается выяснить среду и ее правила, — в последние годы добился впечатляющего прогресса. В недавнем выпуске подкаста TDS Джереми Харрис и его гость, Макс Джейдерберг из DeepMind, обсудили, что будет дальше и как агенты ИИ скоро смогут выигрывать игры, с которыми они никогда раньше не сталкивались.
- Ознакомьтесь с новыми исследованиями, которые могут произвести революцию в микробиологическом анализе. Используя методы глубокого обучения, Сильвия Майхровска и Ярослав Павловский попытались радикально сократить время, необходимое для идентификации и подсчета микроорганизмов в чашках Петри. Их пост знакомит нас с их процессом, делится своими результатами и указывает на перспективу дальнейшего развития этого подхода.
- Изучите проблему устойчивых моделей глубокого обучения. Массивные модели сопряжены с огромными затратами — как финансовыми, так и экологическими. В своей последней статье Гади Сингер из Intel Labs размышляет о проблемах постоянного научно-технического прогресса. Гади предлагает компаниям и практикам сосредоточиться на многоуровневой структуре доступа, которая может дать нам возможность расширить возможности и улучшить результаты технологий ИИ при минимизации мощности и стоимости системы.
- Добавьте хэширование в свой набор инструментов для обработки и анализа данных. Если на этой неделе вы настроены на новые практические советы и рекомендации, мы не оставим вас с пустыми руками! В руководстве Константина Куцкова обсуждаются методы машинного обучения для разработки хеш-функций для конкретных данных, а также рассказывается об их применении. Наслаждаться!
Если вы столкнулись с чем-то новым и интересным в своей работе на этой неделе, мы будем рады услышать об этом — оставьте комментарий, а еще лучше: напишите об этом пост. Спасибо, как всегда, за поддержку работы наших авторов.
До следующей переменной,
редакторы TDS
Последние дополнения к нашим курируемым темам:
"Начиная"
- Искусство изучения науки о данных, Чанин Нантасенамат
- 5 конкретных преимуществ байесовской статистики, Ренато Бомер
- Всем специалистам по данным — не живите на грани, имейте план, Тушан Ганегедара
Практические уроки
- Уменьшение размерности UMAP — невероятно надежный алгоритм машинного обучения, автор Саул Добилас
- Определение оптимальной команды покемонов для Pokemon Brilliant Diamond и Shining Pearl with Pulp, автор Джамшайд Шахир
- Взаимодействие API с R, Джон Клементс
- Показатели ошибок прогноза временных рядов, которые вы должны знать, Константин Ринк
Глубокие погружения
- Предвзятость, согласованность и разработка ключевых показателей эффективности для задач, основанных на данных, Рохит Панди
- Две задачи со случайным блужданием, Сичу Чжан
- Анализ сценариев Python: моделирование экспертных оценок с помощью распределения бета-PERT, Хейко Оннен
Мысли и теория
- Почему закрытая форма последовательности Фибоначчи не используется в соревновательном программировании? Рохит Пандей
- Ценность Шепли для моделей машинного обучения Дивья Гопинатх и Дэвид Курокава
- Работа с дырявыми, отсутствующими данными в производственной среде, Сэм Уилсон
- Сила ограниченных языковых моделей, Карел Д'Остерлинк