Математика искусственного интеллекта


Первый же вопрос наметил задачу кластеризации самого понятия «искусственный интеллект».

1. За счет чего искусственному интеллекту удается вычислять свойства огромного числа объектов?

Стоит сразу определиться, что называть искусственным интеллектом. Это понятие было введено достаточно давно и с тех пор многократно трансформировалось. Наше понимание искусственного интеллекта недостаточно определено, по крайней мере сейчас мало кто способен представить, на что будет похож настоящий искусственный интеллект — мечта многих, способная мыслить как человек или лучше, чем человек, этот супер-ИИ. То что нам известно, принятое по отношению к искусственному интеллекту — зачастую не является таковым. Нет еще ничего созданного, что бы действительно повторяло и превосходило человеческий мозг во всех его проявлениях.

Тем не менее, никто не отменял способность машины к очень быстрым вычислениям, поэтому существенные достижения частично всё же есть. К примеру, распознавание образов и речи. В начале это был яркий пример достижений в области того, что в кавычках называется искусственным интеллектом. Сейчас многие уже не относят эти технологии к как таковому ИИ, настолько классической уже стала эта задача — теперь мы понимаем под ней обычный алгоритм.

И где эта грань — что мы считаем обычным алгоритмом, а что уже искусственным интеллектом? Может быть, он себя еще никоим образом и не проявил. Или наоборот, посмотрим шире и будем относить любые программы, в том числе и нашу первую программу из далекой молодости, “Hello world!”, к работе ИИ. Это широкое поле, где сложно провести какую-то границу, а самое интересное, что ее проведение — подчас тоже задача искусственного интеллекта.

➡️ Читать дальше

@machinelearning_ru

✔️ Регрессия в нейросетях: предсказываем загрязнение воздуха

Задача нейросети будет в предсказании значения концентрации PM10 вредных частиц, содержащихся в воздухе, основываясь на других измерениях приборов.

Кратко о данных. Специальное оборудование производило замеры содержания в воздухе различных газов и взвешенных частиц, температуры воздуха, скорости ветра, атмосферного давления, даты и времени. Измерения производились каждые 20 минут в течении полутора лет. Следовательно, датасет содержит около 34 тыс. строк.

После осмотра файлов выяснилось, что в данных присутствуют сбойные измерения, от этих строк необходимо избавиться.

➡️ Читать дальше

@machinelearning_ru

🖥 Асинхронное программирование в ML-системах

Поскольку концепция MLOps стремится устранить разрывы между разработкой ML-модели и ее имплементацией в эффективный программный код, сегодня поговорим про важную идею программирования, связанную с синхронностью и асинхронностью вызовов. Что такое асинхронное программирования, зачем это нужно в Machine Learning и какие Python-библиотеки поддерживают это.

➡️ Читать дальше

@machinelearning_ru

🌐 DeepPrivacy2 - A Toolbox for Realistic Image Anonymization

DeepPrivacy2 обнаруживает и анонимизирует людей с помощью трех нейронных сетей.

🖥 Github: https://github.com/hukkelas/deep_privacy2

⏩ Статья: https://arxiv.org/abs/2211.09454v1

🖥 Dataset: https://paperswithcode.com/dataset/fdh

@machinelearning_ru

💨 Построение автоэнкодеров для поиска и сравнения похожих изображений

Модель поиска похожих изображений

Поиск похожих изображений — очень активная и быстро развивающаяся область исследований в последнее десятилетие. Исследования в данной области позволили разработать модели, которые могут помочь в работе в различных областях, например:

— чтобы найти похожие изображения;

— поиск фотографий-плагиатов;

— создание возможностей для обратных ссылок;

— знакомство с людьми, местами и продуктами;

— поиск товаров по фотографии;

— обнаружение поддельных аккаунтов, поиск преступников и т.д.

Наиболее известными системами являются Google Image Search и Pinterest Visual Pin Search. В посте будет проведено знакомство с созданием простой системы поиска похожих изображений с использованием специального типа нейронной сети, называемой автоэнкодер. Изображения в данном способе не используют меток, т.е. дополнительных текстовых или числовых элементов, которые классифицируют изображения по категориям. Извлечение признаков из изображения будет происходить только с помощью их визуального содержимого (текстуры, формы, …). Этот тип извлечения изображений называется поиск изображений на основе содержимого (CBIR), в отличие от поиска ключевых слов или изображений на основе текста.

CBIR при использовании глубокого обучения и поиска изображений можно назвать формой обучения без учителя:

При обучении автоэнкодера не используется никаких меток для классов
Автоэнкодер используется для преобразования изображения в векторное представление (т. е. нашего “вектора признаков” для данного изображения)
Затем, во время поиска похожих изображений, вычисляется расстояние между векторами преобразованных изображений — чем меньше расстояние, тем более релевантными/визуально похожими являются два изображения.

⏩ Читать дальше
⏩ Ссылки на датасет
⏩ О сверточных автоэнкодерах
⏩ Про построение сверточных нейронных сетей

@machinelearning_ru

💨 Нейронная сеть для распознавания образов с Tensorflow

В посте хочу поделиться опытом о том, как можно начать использовать TensorFlow в целях распознавания образов. Целью работы является распознавание боковых зубов (маляров) на рентгеновских снимках с использованием нейронной сети. Для реализации цели необходимо выполнить несколько следующих этапов. Данные этапы составляют процесс настройки, обучения, тестирования нейронной сети с использованием TensorFlow.

Этап 1. Установка программного обеспечения

На данном этапе необходимо установить Anaconda. Если вы собираетесь обучать нейронную сеть на GPU, то обязательно нужно установить cuDNN и CUDA – программно-аппаратный инструментарий увеличивающий вычислительные мощности.

➡️ Читать дальше

@machinelearning_ru

🖥 Как работает обратное распространение в нейронных сетях

Нейронные сети обучаются путем итеративной настройки параметров (весов и смещений) на этапе обучения. В начале параметры инициализируются случайно сгенерированными весами, а смещения устанавливаются равными нулю. Затем данные пропускаются через сеть в прямом направлении, чтобы получить выходные данные модели. И наконец, выполняется обратное распространение. Процесс обучения модели обычно включает в себя несколько итераций прямого прохода, обратного распространения и обновления параметров.

В этой статье мы поговорим о том, как обратное распространение обновляет параметры после прямого прохода, и рассмотрим простой, но подробный пример обратного распространения. Прежде чем приступить, определимся с данными и архитектурой, которые будем использовать.

➡️ Читать дальше

@machinelearning_ru

🖥 Numpy для машинного обучения 1 часть.Как рассчитать мощность матрицы.

Numpy linalg.matrix_rank() используется для вычисления степени n квадратной матрицы. Что это означает, что если у нас есть квадратная матрица M и целое число n, и эта функция используется для вычисления Mn?

➡️ Читать

@machinelearning_ru

💨 Как ускорить генерации в Stable Diffusion

https://youtu.be/Oi_KryJ2PPw

@machinelearning_ru

❇️ DeepFaceLab

DeepFaceLab – Набор python-проектов для создания DeepFake

В наборе вы найдете софт для создания множества эффектов - начиная от изменения возраста персонажа на видео до замены головы

🖥 Github

@machinelearning_ru

⭐️ Как распознать образы с помощью TensorFlow?

Целью работы является распознавание боковых зубов (маляров) на рентгеновских снимках с использованием нейронной сети. Для реализации цели необходимо выполнить несколько следующих этапов. Данные этапы составляют процесс настройки, обучения, тестирования нейронной сети с использованием TensorFlow.

➡️ Читать дальше

@machinelearning_ru

⭐️ Создание новостного выпуска с помощью нейросети

Нейросеть , с помощью которой можно создавать новости в видеоформате прямо в браузере. Нужно только написать текст, выбрать диктора и фон.

✅ Проект

@machinelearning_ru

⭐️ Lbl2Vec

Lbl2Vec — это алгоритм для неконтролируемой классификации документов и неконтролируемого поиска документов.

pip install lbl2vec

🖥 Github
📜 Paper
📌 Dataset

@machinelearning_ru

ℹ️ OpenVINO™ Training Extensions

OpenVINO™ Training Extensions (OTE) — это среда интерфейса командной строки (CLI), предназначенная для обучения модели глубокого обучения с минимальным кодом. OTE позволяет разработчикам обучать/выводить/оптимизировать модели с разнообразным сочетанием архитектур моделей и методов обучения с помощью встроеннного набора инструментов.

🖥 Github: https://github.com/openvinotoolkit/training_extensions

🗒 Paper: https://arxiv.org/pdf/2211.17170v1.pdf

📍 Roadmap: https://github.com/openvinotoolkit/training_extensions#roadmap

@machinelearning_ru

⭐️ AI Модель от Google Health впервые будет внедрена в клиническую практику

Google Health продала лицензию на свои AI-модели для обнаружения рака молочной железы и анализа маммографий медицинской компании iCAD, которая интегрирует их в свои инструменты визуализации. Это первый случай, когда модель от Google Health будет внедрена в клиническую практику. Технология Google Health позволяет выявлять рак молочной железы на ранних стадиях, когда успешное лечение наиболее вероятно.

Технология iCAD используется в клиниках и МРТ-центрах в США и во всем мире. Акции iCAD подскочили на 25% сразу после объявления о заключении сделки с Google Health, принадлежащей Alphabet Inc.

В соответствии с подписанным соглашением Google передала iCAD лицензию на использование технологии искусственного интеллекта для лечения рака молочной железы и оценки рисков развития заболевания. iCAD собирается применять лицензированную технологию для дальнейшего улучшения своих алгоритмов анализа раковых опухолей на 3D и 2D снимках и коммерциализировать разработанные продукты. ICAD будет использовать инфраструктуру Google Cloud.

❤️ Читать

@machinelearning_ru