Что такое машинное обучение (ML)?

Машинное обучение - это область обучения, которая дает компьютерам возможность учиться без явного программирования. ML - одна из самых захватывающих технологий, с которыми когда-либо приходилось сталкиваться. Как видно из названия, это дает компьютеру то, что делает его более похожим на людей: способность учиться. Сегодня машинное обучение активно используется, возможно, во многих других местах, чем можно было бы ожидать.

Хронология машинного обучения и искусственного интеллекта:

Методы машинного обучения:

Машинное обучение с учителем

Машинное обучение с учителем обучается на помеченном наборе данных. То есть данные помечаются информацией, для определения которой строится модель машинного обучения, и которую можно даже классифицировать так, как модель должна классифицировать данные. Например, модель компьютерного зрения, предназначенная для определения чистокровных немецких овчарок, может быть обучена на наборе данных с изображениями собак с различными пометками.

Машинное обучение с учителем требует меньше данных для обучения, чем другие методы машинного обучения, и упрощает обучение, поскольку результаты модели можно сравнить с фактическими помеченными результатами. Но правильно помеченные данные дорого готовить, и существует опасность переобучения или создания модели, настолько тесно связанной и смещенной с обучающими данными, что она не сможет точно обработать вариации в новых данных.

Машинное обучение без учителя

Неконтролируемое машинное обучение получает немаркированные данные - много и много их - и использует алгоритмы для извлечения значимых функций, необходимых для маркировки, сортировки и классификации данных в режиме реального времени без вмешательства человека. Обучение без учителя - это не столько автоматизация решений и прогнозов, сколько определение закономерностей и взаимосвязей в данных, которые люди могут пропустить. Возьмем, к примеру, обнаружение спама - люди создают больше писем, чем команда специалистов по данным могла бы когда-либо надеяться пометить или классифицировать за свою жизнь. Алгоритм неконтролируемого обучения может анализировать огромные объемы электронных писем и обнаруживать функции и закономерности, указывающие на спам (и с течением времени все лучше и лучше отмечать спам).

Полу-контролируемое обучение

Полу-контролируемое обучение предлагает золотую середину между контролируемым и неконтролируемым обучением. Во время обучения он использует меньший помеченный набор данных для управления классификацией и извлечением признаков из большего немаркированного набора данных. Полу-контролируемое обучение может решить проблему недостаточного количества помеченных данных (или невозможности пометить достаточно данных) для обучения алгоритму контролируемого обучения.

Машинное обучение с подкреплением

Машинное обучение с подкреплением - это поведенческая модель машинного обучения, которая похожа на контролируемое обучение, но алгоритм не обучается с использованием выборочных данных. Эта модель учится методом проб и ошибок. Последовательность успешных результатов будет усилена, чтобы разработать лучшую рекомендацию или политику для данной проблемы.

Глубокое обучение

Глубокое обучение - это разновидность машинного обучения (все глубокое обучение - это машинное обучение, но не все машинное обучение - это глубокое обучение). Алгоритмы глубокого обучения определяют искусственную нейронную сеть, которая предназначена для изучения способа обучения человеческого мозга. Для моделей глубокого обучения требуются большие объемы данных, которые проходят через несколько уровней вычислений с применением весов и смещений на каждом последующем уровне для постоянной корректировки и улучшения результатов.

Как работает машинное обучение?

Так как же машины обучаются?

Ответ - на основе данных. В современном мире мы создаем огромные объемы данных в повседневной жизни. Из текстовых сообщений, электронных писем и сообщений в социальных сетях, которые мы отправляем, до фотографий и видео, которые мы снимаем на наши телефоны, мы генерируем огромные объемы информации. Больше данных по-прежнему создается миллионами датчиков в наших домах, машинах, городах, инфраструктуре общественного транспорта и на фабриках.

Специалисты по обработке данных могут использовать все эти данные для обучения моделей машинного обучения, которые могут делать прогнозы и делать выводы на основе взаимосвязей, которые они обнаруживают в данных.

Например, предположим, что организация по охране окружающей среды хочет, чтобы добровольцы выявляли и каталогизировали различные виды полевых цветов с помощью приложения для телефона. На следующей анимации показано, как можно использовать машинное обучение для реализации этого сценария.

  1. Группа ботаников и специалистов по анализу данных собирает образцы полевых цветов.
  2. Команда маркирует образцы с указанием правильного вида.
  3. Помеченные данные обрабатываются с использованием алгоритма, который определяет взаимосвязь между характеристиками образцов и помеченными видами.
  4. Результаты алгоритма инкапсулируются в модель.
  5. Когда добровольцы находят новые образцы, модель может определить правильный вид.

Примеры использования машинного обучения в реальном мире:

Как было сказано вначале, машинное обучение повсюду. Вот лишь несколько примеров машинного обучения, с которыми вы можете сталкиваться каждый день:

  • Цифровые помощники: Apple Siri, Amazon Alexa, Google Assistant и другие цифровые помощники работают на основе обработки естественного языка (NLP), приложения машинного обучения, которое позволяет компьютерам обрабатывать текстовые и голосовые данные и «понимать» человеческий язык таким образом. люди делают. Обработка естественного языка также используется в голосовых приложениях, таких как GPS и программное обеспечение для распознавания речи (преобразование речи в текст).

  • Рекомендации. Модели глубокого обучения позволяют получать рекомендации «людям тоже понравились» и «только для вас», предлагаемые Amazon, Netflix, Spotify и другими службами розничной торговли, развлечений, путешествий, поиска работы и новостей.

  • Контекстная интернет-реклама: модели машинного обучения и глубокого обучения позволяют оценивать содержание веб-страницы - не только по теме, но и по таким нюансам, как мнение или отношение автора, - и показывать рекламу с учетом интересов посетителя.
  • Чат-боты. Чат-боты могут использовать комбинацию распознавания образов, обработки естественного языка и глубоких нейронных сетей для интерпретации вводимого текста и предоставления подходящих ответов.

  • Обнаружение мошенничества. Модели регрессии и классификации машинного обучения заменили основанные на правилах системы обнаружения мошенничества, которые имеют большое количество ложных срабатываний при пометке об использовании украденных кредитных карт и редко успешно обнаруживают преступное использование украденных или скомпрометированных финансовых данных.
  • Кибербезопасность: машинное обучение может извлекать аналитические данные из отчетов об инцидентах, предупреждений, сообщений в блогах и т. д. для выявления потенциальных угроз, консультирования аналитиков по безопасности и ускорения реагирования.

  • Анализ медицинских изображений: количество типов и объемов данных цифровых медицинских изображений резко возросло, что привело к появлению большего количества доступной информации для подтверждения диагноза, но также и большей вероятности человеческой ошибки при чтении данных. Сверточные нейронные сети (CNN), рекуррентные нейронные сети (RNN) и другие модели глубокого обучения оказались все более успешными в извлечении функций и информации из медицинских изображений для поддержки точной диагностики.
  • Беспилотные автомобили: для беспилотных автомобилей требуется машинное обучение: они должны постоянно идентифицировать объекты в окружающей среде вокруг автомобиля, прогнозировать, как они будут меняться или двигаться, и направлять машину вокруг объектов, а также к месту назначения водителя. Практически все формы машинного обучения и алгоритмов глубокого обучения, упомянутые выше, играют определенную роль в создании беспилотного автомобиля.

Что такое искусственный интеллект (ИИ)?

В информатике термин "искусственный интеллект" (ИИ) относится к любому человекоподобному интеллекту, проявляемому компьютером, роботом или другим устройством. В популярном использовании искусственный интеллект относится к способности компьютера или машины имитировать возможности человеческого разума - учиться на примерах и опыте, распознавать объекты, понимать язык и реагировать на него, принимать решения, решать проблемы - и сочетать эти и другие способность выполнять функции, которые может выполнять человек, например приветствовать гостя отеля или управлять автомобилем.

После десятилетий отнесения к категории научной фантастики сегодня ИИ стал частью нашей повседневной жизни. Всплеск развития ИИ стал возможен благодаря внезапной доступности больших объемов данных и соответствующему развитию и широкой доступности компьютерных систем, которые могут обрабатывать все эти данные быстрее и точнее, чем люди. ИИ завершает наши слова по мере того, как мы их набираем, предоставляя маршруты проезда, когда мы просим, ​​пылесосить полы и рекомендовать, что нам следует купить или посмотреть дальше. И это ведущие приложения, такие как анализ медицинских изображений, которые помогают квалифицированным специалистам выполнять важную работу быстрее и с большим успехом.

Искусственный интеллект, машинное обучение и глубокое обучение

Самый простой способ понять взаимосвязь между искусственным интеллектом (ИИ), машинным обучением и глубоким обучением:

  • Думайте об искусственном интеллекте как об всей вселенной вычислительных технологий, которая демонстрирует что-то отдаленно напоминающее человеческий интеллект. Системы искусственного интеллекта могут включать в себя все, что угодно, от экспертной системы - приложения для решения проблем, которое принимает решения на основе сложных правил или логики «если / то», до чего-то вроде эквивалента вымышленного персонажа Pixar Wall-E, компьютера, который развивает интеллект, бесплатно волю и эмоции человека.
  • Машинное обучение - это часть приложения искусственного интеллекта, которое учится само по себе. Он фактически перепрограммирует себя по мере того, как переваривает больше данных, для выполнения конкретной задачи, для которой он предназначен, со все большей точностью.
  • Глубокое обучение - это подмножество приложений машинного обучения, которые учатся выполнять конкретную задачу со все большей точностью без вмешательства человека.

Типы искусственного интеллекта - слабый ИИ против сильного ИИ

Слабый ИИ - также называемый узким ИИ или искусственным узким интеллектом (ANI) - это ИИ, обученный и ориентированный на выполнение определенных задач. Слабый ИИ управляет большей частью ИИ, который нас окружает сегодня. «Узкий» - более точный дескриптор для этого ИИ, потому что он совсем не слабый; он позволяет использовать некоторые очень впечатляющие приложения, в том числе Siri от Apple и Alexa от Amazon, компьютер IBM Watson, который победил человеческих конкурентов с помощью Jeopardy, и беспилотные автомобили.

Сильный ИИ, также называемый общим искусственным интеллектом (AGI), - это ИИ, более полно воспроизводящий автономность человеческого мозга - ИИ, который может решать многие типы или классы проблем и даже выбирать проблемы, которые он хочет решить, без вмешательства человека. . Сильный искусственный интеллект все еще носит чисто теоретический характер, и сегодня его практические примеры отсутствуют. Но это не означает, что исследователи ИИ не изучают (с осторожностью) искусственный суперинтеллект (ИСИ), который превосходит искусственный интеллект или способности человека. Примером ASI может быть HAL, сверхчеловеческий (а затем и мошеннический) компьютерный помощник в 2001 году: Космическая одиссея.

Приложения искусственного интеллекта

Как отмечалось ранее, искусственный интеллект сегодня повсюду, но некоторые из них существуют дольше, чем вы думаете. Вот лишь несколько наиболее распространенных примеров:

  • Распознавание речи. Распознавание речи, также называемое преобразованием речи в текст (STT), представляет собой технологию искусственного интеллекта, которая распознает произносимые слова и преобразует их в оцифрованный текст. Распознавание речи - это функция, которая управляет компьютерным программным обеспечением для диктовки, голосовыми пультами телевизора, голосовыми текстовыми сообщениями и GPS, а также голосовыми меню ответа по телефону.

  • Обработка естественного языка (NLP): NLP позволяет программному приложению, компьютеру или машине понимать, интерпретировать и генерировать человеческий текст. NLP - это ИИ, стоящий за цифровыми помощниками (такими как вышеупомянутые Siri и Alexa), чат-ботами и другими текстовыми виртуальными помощниками. Некоторые НЛП используют анализ настроений для определения настроения, отношения или других субъективных качеств в языке.
  • Распознавание изображений (компьютерное зрение или машинное зрение): технология искусственного интеллекта, которая может идентифицировать и классифицировать объекты, людей, письма и даже действия в неподвижных или движущихся изображениях. Обычно управляемое глубокими нейронными сетями распознавание изображений используется для систем идентификации по отпечаткам пальцев, мобильных приложений для внесения чеков, анализа видео и медицинских изображений, самоуправляемых автомобилей и многого другого.

  • Рекомендации в режиме реального времени. Розничные и развлекательные веб-сайты используют нейронные сети, чтобы рекомендовать дополнительные покупки или средства массовой информации, которые могут понравиться покупателю, исходя из прошлой активности клиента, прошлой активности других клиентов и множества других факторов, включая время день и погода. Исследования показали, что онлайн-рекомендации могут увеличить продажи от 5% до 30%.
  • Защита от вирусов и спама. Сегодняшнее программное обеспечение для обнаружения вирусов и спама, управляемое экспертными системами на основе правил, использует глубокие нейронные сети, которые могут научиться обнаруживать новые типы вирусов и спама так же быстро, как киберпреступники могут их придумать.
  • Автоматизированная торговля акциями. Созданные для оптимизации портфелей акций, платформы высокочастотной торговли на базе искусственного интеллекта совершают тысячи или даже миллионы сделок в день без вмешательства человека.

  • Сервисы совместного использования: Uber, Lyft и другие сервисы совместного использования пассажиров используют искусственный интеллект для сопоставления пассажиров с водителями, чтобы минимизировать время ожидания и объезды, обеспечить надежное расчетное время прибытия и даже устранить необходимость повышения цен во время высокой загруженности. периоды.
  • Бытовые роботы: пылесос Roomba iRobot использует искусственный интеллект, чтобы определять размер комнаты, выявлять препятствия и избегать их, а также узнавать наиболее эффективный маршрут для уборки пола пылесосом. Похожая технология используется в роботизированных газонокосилках и очистителях бассейнов.
  • Технология автопилота: уже несколько десятилетий используется для полетов на коммерческих и военных самолетах. Сегодня автопилот использует комбинацию датчиков, технологии GPS, распознавания изображений, технологий предотвращения столкновений, робототехники и обработки естественного языка, чтобы безопасно вести самолет по небу и при необходимости обновлять информацию о пилотах-людях. В зависимости от того, кого вы спросите, современные коммерческие пилоты тратят всего три с половиной минуты, управляя полетом вручную.

👉🏻 Вот мой список из 10 ведущих компаний, занимающихся ИИ, которые обладают властью и ресурсами для формирования нашего сетевого будущего. Это крупные игроки в области искусственного интеллекта. 😬😯😯

  1. Амазонка
  2. яблоко
  3. Facebook
  4. Google
  5. IBM
  6. Intel
  7. Microsoft
  8. Nvidia
  9. Qualcomm
  10. Твиттер

Пример использования ИИ в Microsoft

Microsoft занимается искусственным интеллектом как со стороны потребителей, так и со стороны бизнеса. Cortana, цифровой помощник Microsoft по ИИ, составляет прямую конкуренцию Alexa, Siri и Google Assistant. Функции искусственного интеллекта составляют значительную часть облачного сервиса Azure Cloud, который предоставляет чат-ботов и услуги машинного обучения некоторым из крупнейших имен в бизнесе. Microsoft также приобрела пять компаний, занимающихся ИИ, только в 2018 году.

⭕ Как Office 365 и Azure выявляют хакеров, пытающихся взломать учетные записи, как Кортана может распознать, что вы говорите, как Kinect может определять положение ваших пальцев или суставов вашего скелета с помощью инфракрасное изображение. Именно поэтому клавиатура на Windows Phone такая точная: данные, полученные от тысяч людей, исправляющих ошибки на своих телефонах, позволяют программному обеспечению угадывать, какую букву вы собираетесь набрать следующей, и увеличивать эту клавишу (незаметно).

⭕ Техника машинного обучения упрощает касание пальцем правого меню на планшете Windows и помогает OneNote определять ваш почерк. Запустите приложение в Windows 8, и три четверти времени оно открывается практически мгновенно благодаря машинному обучению, которое сообщает системе, какие приложения предварительно загружать в память, потому что они вам понадобятся.

⭕ Машинное обучение берет огромные объемы данных - будь то журнал сервера, поток информации с датчиков или огромная коллекция изображений, видео или аудиозаписей - и объединяет их в систему, которая лучше справляется со сложными ситуациями, чем любой алгоритм. Идея существует уже 50 лет, но по мере того, как становится доступным все больше и больше данных, машинное обучение становится все более полезным: от академических исследований до таких прорывов, как удобное распознавание голоса.

«Честно говоря, я не могу вспомнить ни одной недавней разработки продукта, в которой участвовала Microsoft, без использования машинного обучения. На все, что мы делаем сейчас, так или иначе влияет машинное обучение », - говорит директор по исследованиям Microsoft Питер Ли.

Возьмем недавний Microsoft Band, флагманское устройство для новой платформы Microsoft Health. «Мы хотели, чтобы датчик кровотока давал точные показания даже при экстремальных спортивных нагрузках, таких как гребля», - объясняет Ли (вице-президент, одобривший проект, заядлый гребец). «Это очень недорогой датчик; Мы обнаружили, что машинное обучение - единственный практический подход к этому, чтобы просто интерпретировать показания датчика ».

Глубокое погружение…

⭕ Распознавание голоса означало обучение вашего компьютера распознаванию голоса или выполнение нескольких простых команд; теперь это означает, что вы можете купить новый телефон и начать с ним разговаривать - и Windows 10 перенесет это на ваш компьютер.

⭕ Система распознавания изображений перешла от распознавания лиц на фотографии к распознаванию всего, от текста до сигналов светофора. Эталонный тест ImageNet позволяет идентифицировать фотографии тысячи объектов, например распознавать не только изображения 150 разных собак, но и их породы.

Команда исследователей Microsoft в пекинской лаборатории объявила, что их система глубокого обучения первой опередила неподготовленных людей в тесте (чуть-чуть опередив Google).

Все благодаря глубокому обучению. Сегодня это одна из самых динамично развивающихся областей искусственного интеллекта; пионеры глубокого обучения работают в Google, Facebook, Baidu и Microsoft.

♦ ️ Большое будущее Microsoft в области машинного обучения 🙌🏻

Генеральный директор Сатья Наделла в своей служебной записке для Microsoft в июле прошлого года назвал машинное обучение и большие данные, на которых оно основано, ключевым событием. «Миллиарды датчиков, экранов и устройств - в конференц-залах, гостиных, городах, автомобилях, телефонах, ПК - образуют обширную сеть и потоки данных, которые просто исчезают на заднем плане нашей жизни. Эта вычислительная мощность переведет в цифровую форму практически все, что нас окружает, и будет извлекать информацию из всех данных, генерируемых в результате взаимодействия между людьми, а также между людьми и машинами. Мы переходим из мира, в котором вычислительные мощности были ограничены, в место, где сейчас они почти безграничны, и где истинно дефицитным товаром становится все более пристальное внимание людей ».

Независимо от того, сделает ли Microsoft более фундаментальный прорыв в области искусственного интеллекта, то, что она узнает об использовании машинного обучения, будет по-прежнему отображаться во всех продуктах, которые вы используете, в том числе в тех, которые вы создаете сами.

Как крупные компании защищают свои компьютерные системы от атак - хакеров, пытающихся проникнуть в их сети, вредоносных программ, вторгающихся в их почтовые системы и веб-браузеры, и т. д. «Сегодня все эти вещи наиболее эффективно обнаруживаются в режиме реального времени и автоматически с использованием алгоритмов машинного обучения»

Как Google использует AI и ML?

В наше время Google везде !!! Настолько, что вы, скорее всего, читаете эту статью с помощью поиска Google. И хотя машинное обучение долгое время было частью Google, теперь кажется, что машинное обучение повсюду! Машинное обучение используется везде, от поиска Google до Google Фото и даже Google Translate.

И это только самые распространенные предметы! Фактически, Google и его материнская компания Alphabet активно инвестируют в исследования машинного обучения практически во всех мыслимых областях, таких как этические принципы, квантовые вычисления, здравоохранение, робототехника, восприятие и т. Д. Сундар Пичаи, генеральный директор Google, прокомментировал: «Машинное обучение - это основной, преобразующий способ, с помощью которого мы переосмысливаем то, как мы все делаем. Мы тщательно применяем его во всех наших продуктах, будь то поиск, реклама, YouTube или Play. И мы находимся на раннем этапе развития, но вы увидите, как мы применяем машинное обучение во всех этих областях ».

Очевидно, что в конечном итоге Google планирует полностью интегрировать машинное обучение во все свои операции. Но до этого футуристического мира еще немного! А пока давайте посмотрим, как Google в настоящее время использует машинное обучение, чтобы мы могли понять весь спектр его приложений в будущем.

1. Переводчик Google

Хотите перевести текст с английского на хинди, но не знаете хинди? Что ж, Google Translate - это инструмент для вас! Хотя это не совсем 100% точность, это отличный инструмент для преобразования текста, изображений или даже видео в реальном времени с одного языка на другой. И если вам интересно, как он переводится более или менее точно, ну, конечно, Google Translate использует машинное обучение!

Он использует статистический машинный перевод (SMT), который представляет собой причудливый способ сказать, что он анализирует миллионы документов, которые уже переведены с одного языка на другой (в данном случае с английского на хинди), а затем ищет общие шаблоны и основные словарный запас языка. После этого он выбирает наиболее точный перевод на основе обоснованных предположений, которые в большинстве случаев оказываются верными. Например: давайте посмотрим, как Google Translate переводит "Машинное обучение - это круто" на хинди !!!

2. Google Фото

Если вы миллениал, я уверен, что вы любитель селфи! И, конечно же, вы часто используете Google Фото, если также являетесь пользователем Android. И это не шок! Google Фото позволяет создавать резервные копии всех ваших фотографий в одном месте, даже если они были сняты с нескольких устройств, а также предлагает множество других интересных эффектов с использованием машинного обучения.

Например, Google Фото также автоматически создает альбомы фотографий, сделанных в течение определенного периода, без вашего участия. И это еще не все, он также может выбрать «лучшие фотографии». А если вы не отсортировали все свои фотографии по альбомам, вы также можете искать их, вводя имена. Предположим, вы хотите найти изображение со своей собакой, введите «Собака», и вы получите все фотографии собак! Это делается с помощью распознавания изображений, при котором глубокое обучение используется для сортировки миллионов изображений в Интернете с целью их более точной классификации. Таким образом, при использовании Deep Learning отображаются изображения, классифицированные как «Собаки» в ваших Google Фото.

3. RankBrain

Предположим, вы хотите узнать, кто является генеральным директором Google? А потом вы хотите знать, кто его жена? Но как это искать в Google? Вы не можете точно написать имя Сундара Пичаи или его жены, потому что вы этого не знаете! В этом случае вы можете просто выполнить поиск «генеральный директор жены Google» в Google, и вы получите требуемые результаты. Это достигается с помощью RankBrain в поиске Google.

RankBrain - это, по сути, глубокая нейронная сеть, которая помогает предоставлять требуемые результаты поиска. Это один из факторов в алгоритме поиска Google, который определяет, какие страницы поиска будут отображаться. Если в поиске Google есть какие-либо уникальные слова или фразы (например, «генеральный директор жены Google» в нашем случае!), То RankBrain делает интеллектуальные предположения, чтобы найти, какие результаты поиска подходят для ситуации, и соответствующим образом отфильтровать их. Фактически, RankBrain в настоящее время настолько важен, что Google утверждает, что это третий по важности фактор ранжирования страниц для результатов поискового запроса.

4. Google Ассистент

Нужна небольшая помощь в организации календаря? Хотите знать лучшие итальянские рестораны рядом с вашим домом? Хотите заказать билеты в кино на ходу? Что ж, не бойтесь !!! Google Ассистент здесь, чтобы облегчить вашу жизнь! По сути, это персональный помощник, в котором используется комбинация Google Knowledge Graph, распознавания изображений и обработки естественного языка.

Google Ассистент задуман как чат-бот от Google, который может быть подключен к вашим телефонам, телевизорам, динамикам и т. д. с возможностью действительно разговаривать с вами. Здесь сеть знаний Google предоставляет информацию, собранную из различных источников, а обработка естественного языка позволяет Google Ассистенту взаимодействовать с вами и формулировать ответы в соответствии с вашими вопросами.

5. DeepDream

Все мы знаем, что люди мечтают? Ну а что, если компьютеры тоже мечтают? !! Это предпосылка Google DeepDream, который использовал сверточные нейронные сети для поиска случайных закономерностей в различных изображениях и их различного усиления. Эти изображения можно настроить любым возможным способом, используя входные данные и различные параметры, чтобы полученные результаты могли быть забавными, странными или даже странными !!!

В нейронных сетях DeepDream есть несколько уровней, каждый из которых извлекает все больше и больше высокоуровневых функций из входного изображения, пока конечный слой не создаст окончательный результат. Чтобы продемонстрировать это, у нас есть изображение из Google DeepDream, которое представляет собой странный гибрид женщины и множества шестеренок. В общем, очень сложно просто объяснить сложные эффекты DeepDream, поэтому лучше всего просто попробовать это самостоятельно, загрузив любое изображение, которое вы хотите, а затем просто посмотреть шоу!

Если вам это интересно, пожалуйста, проголосуйте за него.

Свяжитесь со мной в LinkedIn | GitHub