Сучасна диджитал-освіта для дітей — безоплатне заняття в GoITeens ×
Mazda CX 5
×

Big Data, Machine Learning, Data Science Digest #13: Convolutional Neural Networks, Brain-Computer Interfaces та впровадження MLOps

Усі статті, обговорення, новини про AI — в одному місці. Підписуйтеся на DOU | AI!

Вересень добігає кінця, а це значить, що настав час поділитися новою добіркою цікавих публікацій, проєктів та дискусій зі світу Data Science та Machine Learning.

Ось добірка матеріалів, що справили на мене враження протягом останніх кількох тижнів.

У цьому випуску дайджеста ви дізнаєтеся:

  • більше про математичну структуру «градієнтного спуску»;
  • що інвестори шукають в AI-проєктах;
  • коли не обов’язково перевчати AI-моделі;
  • наскільки людство наближається до суперінтелекту;
  • як легко змінювати відео за допомогою AI-алгоритмів;
  • та багато іншого.

Зберігайте собі корисні статті, книги та подкасти, а також долучайтеся до дискусії в коментарях. Якщо ви не мали часу прочитати мій попередній дайджест, це можна зробити тут.

Свіжі статті та матеріали

How to Deal With Imbalanced Classification Without Rebalancing the Data

У новій статті KDNuggets David Rosen, Lead Data Scientist IBM розповість, чого можуть досягнути ML-інженери, не збалансовуючи дані та не перевчаючи моделі.

Understanding the Mathematic of Gradient Descent

Стаття заглиблюється у математичні основи градієнтного спуску алгоритму оптимізації, який використовується при навчанні моделі ML. Він базується на опуклій функції та ітеративно змінює її параметри, щоб звести функцію до її локального мінімуму.

A Beginner’s Guide to Brain-Computer Interface and Convolutional Neural Networks

Чи може розум безпосередньо з’єднатися зі штучним інтелектом, роботами та іншими умами за допомогою технологій інтерфейсу мозок-комп’ютер (BCI), щоб вийти за рамки наших людських обмежень? Новий пост від Towards Data Science дає відповіді на це та інші запитання стосовно Brain-Computer Interfaces.

High-Quality, Robust and Responsible Direct Speech-to-Speech Translation

Speech-to-speech translation (S2ST) є ключем до руйнування мовних бар’єрів між людьми у всьому світі. Однак, такі каскадні системи можуть страждати від більш тривалої затримки, втрати інформації (особливо паралінгвістичної та нелінгвістичної інформації) та помилок комунікації між підсистемами. Новий пост Google розглядає підходи до вирішення проблем, пов’язаних із впровадженням SST.

AI Disruption: What VCs Are Betting On

За статистикою Pitchbook, кількість інвестицій в AI-проекти росте з надзвичайною швидкістю: в останньому кварталі загальна сума інвестицій становила 31,6 млрд доларів. Як зробити AI-стартапи та компанії більш привабливими для інвесторів з’ясовує стаття Forbes.

How Big Data Carried Graph Theory Into New Dimensions

Дослідники звертаються до математики взаємодій вищого порядку, щоб краще моделювати складні зв’язки даних. Ось огляд зусиль провідних STEM-науковців із метою узагальнення graph theory для дослідження явищ вищого порядку.

The Modern Data Experience

Що таке «сучасний data-стек»? Намагаючись дати відповідь на це запитання, «Modern Data Experience» аналізу, як аналітики, інженери та менеджери можуть будувати процеси навколо використання даних.

Що нового у наукових працях:

Відео

Machine Learning Engineering For Production (MLOps)

Панель ML експертів обговорює: наскільки роль дослідника даних або MLE включає MLOps, як насправді реалізується MLOps у промисловості та проблеми впровадження MLOps, із якими зіштовхуються менеджери організацій.

Generate Video Variations — No dataset or deep learning required, Only Nearest Neighbors!

У відео ілюструється процес розробки моделей для створення відео-варіацій із використанням моделі Video-Based Generative Patch Nearest Neighbors.

MobileNet Image Classification with TensorFlow’s Keras API

Відео представляє MobileNets — клас легких глибоких згорткових нейронних мереж, які значно менші за розміром і швидші за продуктивністю, ніж багато інших популярних моделей.

AI makes you an artist + Tesla’s self-driving car updates

Нове відео із рубрики «Щомісячне машинне навчання» на каналі Daniel Bourke охоплює найновіші та найкращі галузі машинного навчання. Останній випуск фокусується на використанні AI для створення творів образотворчого мистецтва та нових апдейтах від Tesla.

Robust Fine-Tuning of Zero-Shot Models

Відео презентує новий метод для точного налаштування попередньо навчених моделей, таких як GPT-3, BERT, DALL-E, EfficientNet або CLIP для наборів даних для конкретних програм.

Подкасти

Compositional ML and the Future of Software Development with Dillon Erb

У новому випуску TWIML до ведучого приєднався Dillon Erb, CEO Paperspace. Подкаст обговорює, чи варто розмежовувати обговорювання ML як окремої дисципліни програмної інженерії.

Talking Machines: Gods and Robots

Останній епізод «Talking Machine» відбувся за участі Ніла Лоуренс та Раббі-Лаури Дженнер Клауснер, які поділилися деталями майбутнього інноваційного проекту «Gods and Robots».

Opportunities and Barriers between HCI and NLP

Подкаст обговорює дослідницькі процеси HCI, включаючи методи запиту, процеси анотування даних, що використовуються в HCI, і чим вони відрізняються від NLP, та когнітивні методи, які використовуються в HCI для якісного аналізу помилок.

Not So Standard Deviations: Useful Models

Головна властивість ML-моделей — коректність чи корисність? Ведучі Not So Standard Deviations дискутують на цю тему у вересневому випуску подкасту.

***

Дякую за увагу! Щоб не пропустити мій наступний дайджест, клікайте «Підписатися на автора» одразу під текстом.

Якщо ви бажаєте працювати у колі однодумців над складними data-centric проєктами — приєднуйтесь до команди Xenoss! Серед наших найгарячіших вакансій:

Senior Data Scientist/ML Engineer

Team Lead Java Engineer

Lead Node.js Engineer

Стежити за новинами Xenoss можна у соцмережах — LinkedIn та Facebook.

👍ПодобаєтьсяСподобалось8
До обраногоВ обраному4
LinkedIn
Дозволені теги: blockquote, a, pre, code, ul, ol, li, b, i, del.
Ctrl + Enter
Дозволені теги: blockquote, a, pre, code, ul, ol, li, b, i, del.
Ctrl + Enter

Лінк по млопс веде на статтю, яка називається A Gentle Introduction to Graph Neural Networks

Сергію, дякую. Замінив лінк.

Підписатись на коментарі