Dev & Type: искусственный интеллект

Показаны сообщения с ярлыком искусственный интеллект. Показать все сообщения

В России гигантский дефицит кадров в области искусственного интеллекта

Не все люди готовы бороться. Люди готовы принять те условия, которые есть, потому что они хотят заниматься своим делом.

Новейшие технологии

приложения на основе архитектуры API First и микросервисы;
чат-боты;
контейнеры;
искусственный интеллект и машинное обучение;
средства и методы DevOps.

Сервис по определению эмоций человека по фотографии

Microsoft Project Oxford Emotion Demo

Дальше »

Вороны — одни из самых умных птиц

Facebook выложил в свободный доступ модули для машинного обучения

источник

Группа по исследованиям в области искусственного интеллекта Facebook AI Research поделилась с сообществом собственными наработками в области глубокого обучения (deep learning) — алгоритмов машинного обучения, которые пытаются моделировать высокоуровневые абстракции в данных, используя архитектуры, состоящие из множества нелинейных трансформаций.

Под свободной лицензией опубликован исходный код модулей для Torch, популярного фреймворка на Lua, который широко используется в научном сообществе для разработки и тестирования алгоритмов машинного обучения. Фреймворк использует скриптовый язык LuaJIT.

Оптимизированные модули от компании Facebook гораздо эффективнее, чем штатные модули Torch. С их помощью можно обучать нейросети большего размера за меньшее время, что позволяет существенно ускорить научно-исследовательские работы. Оптимизация включает в себя, среди прочего, эффективное использования GPU в свёрточных нейронных сетях (ConvNets), а также в сетях, которые часто применяются в приложениях по обработке информации на естественном языке (Natural Language Processing). Более подробно о модулях ConvNets рассказано в научной работе.

Кроме упомянутого модуля, в свободный доступ попали и другие модули, использующие архитектуру CUDA, в том числе контейнеры для параллелизации обучения нейросети на нескольких GPU, оптимизированные модули Lookup Table и Hierarchical SoftMax и др.

В последние годы deep learning стало одной из самых перспективных областей информатики. Технологии машинного обучения широко используются, в том числе, в различных веб-сервисах для распознавания образов, анализа логов, распознавания спама и т.д. Нейросети применяют такие компании как Google, Twitter, Nvidia, AMD, Intel, Facebook и многие другие, не считая бесчисленного количества стартапов, действующих в этой области.

Примеры работы генетического алгоритма

источник

Встретил два очень наглядных примера работы генетических алгоритмов с достаточно большим количеством настраиваемых параметров. Пример с автомобилями уже встречался мне несколько раз в более простых вариантах, а вот вариант с ходоками я еще не встречал в таком виде, было только что-то с похожей идеей в каком-то из онлайн-курсов по искусственному интеллекту.

Источник: Genetic algorithm walkers

В мозге обнаружен механизм видеокомпрессии

источник

Мозг осуществляет эффективную компрессию сигнала, который поступает от органов зрения. Учёные из института невральных вычислений при Рурском университете (Германия) доказали, что зрительная кора подавляет избыточную информацию и сохраняет энергию, передавая лишь изменения между картинками. Примерно такие же методы используются в современных видеокодеках.

На иллюстрации вверху показано, как первичная зрительная кора обрабатывает последовательность изображений, на одном из которых недостаёт вертикальных элементов. В этом случае мозг вычисляет разницу между полным и неполным изображениями и в определённых случаях передаёт только эту разницу (третье изображение).

Для проверки гипотезы учёные записывали ответы нейронов в мозге кошки на демонстрацию последовательности изображений, таких как растения, пейзажи и здания. Было создано две версии изображений: полная версия и версия без вертикальных/горизонтальных элементов. При показе изображений с частотой 33 Гц (33 картинки в секунду, примерно по 30,3 миллисекунды на кадр) была зафиксирована максимальная активность нейронов, которая линейно зависела от количества изображений. Но когда скорость показа изображений снизили до 10 Гц (10 картинок в секунду по 100 миллисекунд на каждую), то активность нейронов снизилась в случае изображений с недостающей информацией. Учёные предполагают, что кошачий мозг, получив время на обработку данных, принял энергоэффективное решение закодировать разницу между кадрами.

Визуализация нейронов на площади в несколько квадратных миллиметров осуществлялась с помощью специальной краски, чувствительной к напряжению тока. В случае, если по нейрону проходил импульс, он начинал светиться.

Научная работа опубликована в журнале Cerebral Cortex (свободный доступ).

Russian AI Cup 2014 — CodeHockey

Конкурс состоит из 3 (трёх) этапов, каждый из которых завершается определением Победителей. Последний этап Конкурса является решающим для Участников конкурса в состязании за получение звания Победителя Конкурса, занявшего соответствующее призовое место.

Срок проведения Конкурса: с 00.00 часов 8 сентября 2014 года до 24.00 часов 19 октября 2014 года по Московскому времени.

Сроки начала и окончания этапов Конкурса:

первый этап – с 00 часов 00 минут 27 сентября 2014 года до 24 часов 00 минут 28 сентября 2014 года;
второй этап – с 00 часов 00 минут 4 октября 2014 года до 24 часов 00 минут 5 октября 2014 года;
третий этап (заключительный) – с 00 часов 00 минут 11 октября 2014 года до 24 часов 00 минут 12 октября 2014 года.

Дальше »