Google представила библиотеку Tensorflow-Lite

Tensorflow-Lite - новая библиотека от Google, способная запускать нейросетевые модели с использованием малых ресурсов.

http://telegra.ph/Tensorflow-Lite-11-16

Недавно столкнулся с такой проблемой, что нет никакого единого источника по ML для людей раздичных групп, что бы можно было бы найти различные статьи по фундаментальным темам с подробным разбором. Решил в этом посте собрать основные вики-странички, где вы можете, что-то почитать. От части делаю этот пост и для себя, что бы потом найти то, что мне нужно.

📕 http://www.machinelearning.ru/wiki - Профессиональный информационно-аналитический ресурс, найти можно почти любую тему по ML с жесткой матчастью.

📒 http://wiki.cs.hse.ru - Вики страничка ФКН ВШЭ, порой можно найти что-то, но навигация подходит скорее для студентов, которые находят материалы по дате и курсу.

📘 https://neerc.ifmo.ru/wiki/index.php?title=Теория_вероятностей - Аналогичная страничка от ИТМО, которая по большей части ориентированна на разбор фундаментальных вопросов информатики (алгоритмы и структуры данных), но и по тер-веру там можно найти много интересного.

📙 http://ru.learnmachinelearning.wikia.com - Вики-справочник по статьям Виктора Китова, статьи написаны человеком, для людей, рекомендую 👍

📚 https://ru.wikipedia.org/wiki/Категория:Машинное_обучение - Ну и по классике можно посмотреть классическую википедию, где на удивление собрано немало подробного материала.

P.S Предложения по дополнению материала можете присылать мне @alxmamaev

🌄 Инцепционизм 🌅

Вы слышали что-нибудь об этом направлении искусства?

Суть его заключается в следующем: мы обучаем нейронную сеть распознавать различные картинки, после чего берем матрицу весов нейронки и отрисовываем ее перебирая значения пикселей входной картинки так, что бы активация нейронной сети была максимальной.

В результате мы получаем картинки-представления различных образов внутри нейронки.

Посмотреть картинки вы можете здесь: https://distill.pub/2017/feature-visualization/

Очень советую глянуть, помимо подробного разбора того, как это работает, есть множество примеров работы на разных уровнях сети, а так же несколько интерактивных примеров где вы можете покликать параметры генерирования картинки.

Пример представления картинок на каждом уровне нейронной сети.

💻 Colaboratory 🖥

Недавно гугл представили свою среду для разработки ML - Colaboratory, по факту это тот же самый jupyter, но с некоторыми плюшками. Например, работа происходит примерно как в гугл документах, что позволяет командам работать вместе и создавать небольшие прототипы.

Проект разработан в рамках программы гугла "Ai-first", которая направлена на предоставление лучших инструментов для ML-разработчиков.

Кстати, помимо разработчиков он может быть интересен и новичкам в ML, поскольку в данном случае единым хранилищем всех ноутбуков выступает GoogeDrive, что весьма удобно для экспериментов.

https://towardsdatascience.com/google-colaboratory-simplifying-data-science-workflow-c70059386323

👨‍💻 Классификатор технарей и гуманитариев 👨‍🏫

Веселая статейка, про создание классификатора для определения склада ума человека по его комментариям.
Обязательно прочитайте ее, там разбираются не только вопросы связанные с технической реализацией классификатора, но и некоторые исследовательские моменты, например: кто больше технарь женщины или мужчины, или в какое время суток активна та или иная группа людей.
Классификатор сделан на базе комментариев из Вконтакте, кстати в конце есть ссылка на веб-страничку, где вы можете проверить себя на то, кто вы: технарь или гуманитарий.

https://habrahabr.ru/post/342572/

📈Tangent - новая библиотека для автоматического дифференцирования📉

Тут гугл недавно представили свою новую библиотеку для ML, что само по себе уже событие.
Библиотека позволяет диффиринцировать различные функции, т.е. получить от некоторой функции f, вторую функцию Δf - градиент этой функции.

Она имеет достаточно простой интерфейс. Для того, что бы получить градиент, вам достаточно вызвать метод dfdW = tangent.grad(f) и передать функцию f. Изначальная функция может содержать как стандартные питоновские математические операции, так и работа с Numpy или Tensorflow.

Что бы лучше понять как это работает, советую зайти на их гитхаб репозеторий и посмотреть гифки с примерами.
https://github.com/google/tangent

P.S. У меня запустить библиотеку так и не удалось, хотя и поставил все зависимости. При импорте она крашится без репорта об ошибке, возможно дело в моем железе, а может в том, что утилита появилась совсем недавно.