Zusammenfassung der Artikel über maschinelles Lernen und künstliche Intelligenz

Habr, hallo.

Nachdem ich eine große Anzahl von Artikeln, Konferenzen und Abonnements herausgefiltert hatte, sammelte ich für Sie alle wichtigen Leitfäden, Artikel und Life-Hacks aus der Welt des maschinellen Lernens und der künstlichen Intelligenz. Viel Spaß beim Lesen!

1. Projekte für künstliche Intelligenz, mit denen Sie heute spielen können. Was wissen Sie über künstliche Intelligenz und maschinelles Lernen? Aktueller Trend oder potenziell mächtige Kraft, die Menschen töten kann? Diese modischen Konzepte werden zunehmend gehört, aber nicht jeder weiß, was es wirklich ist. Es ist Zeit, diese Technologien mit einem einfachen und interessanten Ansatz zu erlernen - probieren Sie künstliche Intelligenz und neuronale Netze in der Praxis selbst aus.



→ Lesen Sie mehr

2. KI lernen, wenn Sie in Mathematik nichts verstehen. Vielleicht möchten Sie tiefer graben und das Bilderkennungsprogramm in TensorFlow oder Theano ausführen? Sie sind vielleicht ein großartiger Entwickler oder Systemarchitekt und kennen Computer sehr gut, aber es gibt nur ein kleines Problem: Sie verstehen die Mathematik nicht.



→ Lesen Sie mehr

3. So erstellen Sie ein Nachrichtenmoderationssystem. Automatische Moderationssysteme sind normalerweise in Webdienste und -anwendungen eingebettet, in denen eine große Anzahl von Benutzernachrichten verarbeitet werden soll. Solche Systeme können die Kosten für die manuelle Moderation senken und die Moderation beschleunigen, indem alle Benutzernachrichten in Echtzeit verarbeitet werden. In diesem Artikel wird die Entwicklung eines automatischen Moderationssystems unter Verwendung von Algorithmen für maschinelles Lernen erläutert.



→ Lesen Sie mehr

4. Die Liste der Werkzeuge für künstliche Intelligenz, die Sie heute verwenden können, ist für den persönlichen Gebrauch bestimmt (1/3). In wenigen Wochen habe ich buchstäblich Tausende von Websites (über 6000 Links) durchgeblättert, um Ihnen eine vollständige Liste der besten KI-Produkte und der vielversprechendsten Unternehmen auf diesem Gebiet zu präsentieren.



→ Lesen Sie mehr

5. Die Liste der Tools für künstliche Intelligenz, die Sie heute verwenden können, ist für Unternehmen bestimmt (2/3). Diese Liste enthält Unternehmen, die an Produkten für künstliche Intelligenz und maschinelles Lernen arbeiten, hauptsächlich für geschäftliche Zwecke, die für keine Branche spezifisch sind.



→ Lesen Sie mehr

6. Liste der Tools für künstliche Intelligenz, die Sie heute verwenden können - für Unternehmen (2/3). Als ich eine vollständige Liste erstellte, stellte ich fest, dass sie zu lang und verwirrend wurde, und entschied, dass es einfacher sein würde, die gesamte Liste in zwei Teile aufzuteilen, um die Wahrnehmung zu erleichtern.



→ Lesen Sie mehr

7. Die Liste der Werkzeuge für künstliche Intelligenz, die Sie heute verwenden können, gilt für eine bestimmte Branche (3/3). Das letzte Puzzleteil ist Teil 3. Hier ein Blick auf Industrieunternehmen, die verschiedene Formen künstlicher Intelligenz einsetzen, um wirklich interessante und spezifische Aufgaben für verschiedene Märkte zu lösen.



→ Lesen Sie mehr

8. Arbeiten Sie auf neue Weise mit Daten: Pandas statt SQL. Bisher reichte SQL als Tool für die Analyse von Forschungsergebnissen aus: schnelles Abrufen von Daten und vorläufige Berichterstellung. Jetzt gibt es viele Formen von Daten, die nicht immer „relationale Datenbanken“ bedeuten. Dies können CSV-Dateien, Klartext, Parkett, HDF5 und vieles mehr sein. Hier hilft Ihnen die Pandas-Bibliothek.



→ Lesen Sie mehr

9. Die besten Datensätze für maschinelles Lernen und Datenanalyse. Datenanalyse und maschinelles Lernen erfordern viele Daten. Es wäre möglich, sie selbst zusammenzubauen, aber es ist anstrengend. Hier helfen uns vorgefertigte Datensätze in unterschiedlichsten Kategorien.



→ Lesen Sie mehr

10. Gesundheit und Blockchain - intelligente Verträge, Versicherungen und Lieferketten. Alles mit einem Hauch von KI. Dazu kamen intelligente Verträge, programmierbare if/then Operatoren, die im Blockchain-Netzwerk implementiert werden konnten. Auf diese Weise können Sie Entscheidungen mit gespeicherten Daten schnell und effizient berechnen und ausführen, ohne dass eine menschliche Verarbeitung erforderlich ist.



→ Lesen Sie mehr

11. Wie man 2019 großartige Fähigkeiten für Sprachassistenten entwickelt. Akzeptieren Sie die richtigen Techniken, um mit der Entwicklung Ihrer nächsten Fähigkeiten zu beginnen, indem Sie einige Schlüsselelemente der Sprachschnittstellen und der Benutzererfahrung betrachten.


→ Lesen Sie mehr

12. Warum, wann und wie Python Multithreading und Multiprocessing verwenden. In diesem Lernprogramm wird erläutert, warum in Python Multithreading und Multiprocessing erforderlich sind, wann sie übereinander verwendet werden müssen und wie sie in Ihren Programmen verwendet werden.



→ Lesen Sie mehr

13. Ein übergreifendes Modell zum Analysieren und Vorhersagen von Daten mit Python in SAP HANA-Tabellendaten. In diesem Blog können Sie eine Verbindung zur SAP-HANA-Datenbank (Version 1.0 SPS12) herstellen und anschließend Daten aus der HANA-Tabelle / -Ansicht extrahieren und Daten mithilfe der Python Pandas-Bibliothek analysieren.

→ Lesen Sie mehr

14. Entmystifizierung der Architektur von Netzwerken mit Kurzzeitgedächtnis (LSTM). Wir verwenden Langzeit-Direktzugriffsspeicher (LSTM) und Gated Recurrent Unit (GRU), die sehr effektive Lösungen für das Problem des verschwindenden Gradienten darstellen und es einem neuronalen Netzwerk ermöglichen, viel weiter entfernte Abhängigkeiten zu erfassen.



→ Lesen Sie mehr

15. Fahrzeugerkennung in Echtzeit mit 50 Bildern pro Sekunde auf einer AMD-GPU. Hier konzentrieren wir uns auf Deep-Learning-Objekterkennungsmodelle aufgrund ihrer überlegenen Genauigkeit.



→ Lesen Sie mehr

16. Überblick über Klassifizierungsmethoden beim maschinellen Lernen mit Scikit-Learn. In Python sind viele Bibliotheken für maschinelles Lernen geschrieben. Heute schauen wir uns eines der beliebtesten an - Scikit-Learn. Scikit-Learn vereinfacht das Erstellen eines Klassifikators und hilft, die Konzepte des maschinellen Lernens klarer hervorzuheben und sie mit einer verständlichen, gut dokumentierten und zuverlässigen Bibliothek zu implementieren.



→ Lesen Sie mehr

17. Einführung in die Forensik. Computerforensik (Forensik) ist eine angewandte Wissenschaft über die Offenlegung von Verbrechen im Zusammenhang mit Computerinformationen, das Studium digitaler Beweise, Methoden zum Suchen, Erhalten und Sichern solcher Beweise.



→ Lesen Sie mehr

18. Künstliche Intelligenz in der Praxis: Wir schaffen ein Expertensystem für die Vorbereitung des Grills. Es sieht ungefähr so ​​aus: Das System stellt eine Reihe von Fragen, und nachfolgende Fragen hängen von den erhaltenen Antworten ab. Dann macht das System eine Schlussfolgerung und zeigt die gesamte Argumentationskette, die dazu geführt hat. Das heißt, das Wissen und die Erfahrung des Experten werden wiederholt, und nicht weniger wichtig ist, dass der Verlauf seiner Argumentation wiederholt wird.



→ Lesen Sie mehr

19. Implementierung und Analyse des Random Forest-Algorithmus in Python. In diesem Artikel erfahren Sie, wie Sie den Random Forest-Algorithmus in Python erstellen und verwenden. Zusätzlich zum direkten Studium des Codes werden wir versuchen, die Prinzipien des Modells zu verstehen. Dieser Algorithmus besteht aus vielen Entscheidungsbäumen. Zunächst werden wir herausfinden, wie ein solcher Baum das Klassifizierungsproblem löst. Danach lösen wir das Problem mithilfe eines Algorithmus mithilfe realer wissenschaftlicher Daten. Der gesamte in diesem Artikel verwendete Code ist auf GitHub im Jupyter Notebook verfügbar.



→ Lesen Sie mehr

20. Human in the Loop: Reduzieren der Ressourcen für Datenmarkups. Die Verwendung von Deep Learning und großen beschrifteten Daten ermöglicht es, das Spektrum verschiedener Phänomene genau zu modellieren. Datenmarkup ist ein ressourcenintensiver Prozess, und nicht immer beschriftete Daten sind gemeinfrei.



→ Lesen Sie mehr

21. Die Simpsons erhielten eine Datenvisualisierung. Als ich herausfand, dass ich alle Episodenskripte herunterladen konnte, die ich jemals haben wollte (via kaggle), wusste ich natürlich, was ich tun musste. Da ich Zugang zu allem hatte, was Homer jemals gesagt hat, konnte ich nicht widerstehen, meinen Hut für einen Datenforscher aufzusetzen, um einige Ideen einer der auffälligsten animierten Fernsehsendungen der letzten drei Jahrzehnte auszudrücken.



→ Lesen Sie mehr

22. Wie können Anfänger coole Datenvisualisierungen erstellen? Für Datenanalysten ist Visualisierung immer eine zeitlose Forschung, da sie uns die Gesetze offenbart, die Daten zugrunde liegen.



→ Lesen Sie mehr

23. Konfigurieren Sie automatische AWS Lambda Data Pipeline-Warnungen.



→ Lesen Sie mehr

24. Ein umfassendes modernes Schulungswerkzeug zur Bilderkennung. Schnelle Klassifizierung von Bildern in mehreren Klassen mithilfe von Fastai- und PyTorch-Bibliotheken



→ Lesen Sie mehr

25. Deep Domain-Anpassung in Computer Vision. In den letzten zehn Jahren hat das Gebiet der Bildverarbeitung enorme Erfolge erzielt. Dieser Fortschritt ist hauptsächlich auf die unbestreitbare Wirksamkeit von Faltungs-Neuronalen Netzen (CNNs) zurückzuführen. Mit CNN können Sie sehr genaue Vorhersagen treffen, wenn diese mit hochwertigen kommentierten Trainingsdaten trainiert werden.



→ Lesen Sie mehr

26. Optimierung des neuronalen Netzes. Optimiererabdeckung, Dynamik, adaptive Lerngeschwindigkeiten, Batch-Normalisierung und mehr.



→ Lesen Sie mehr

27. Algorithmische Lösungen der algorithmischen Verzerrung: Technischer Leitfaden. Ich möchte über technische Ansätze zur Minderung algorithmischer Verzerrungen sprechen.



→ Lesen Sie mehr

28. Suggestives Computerdesign. Erleichterung des Designs durch maschinelles Lernen.



→ Lesen Sie mehr

29. Datensatzgenerierung: Erstellen von Miniaturbildern mit dem GAN. Daten sind die Grundlage unserer ML- und DL-Modelle. Wir können keine starken Programme erstellen, wenn wir keinen geeigneten Datensatz für Trainingsalgorithmen haben.



→ Lesen Sie mehr

Wer meine News Digest für Juni nicht gelesen hat, hinterlasse einen Link .

Damit ging unsere kurze Verdauung zu Ende. Fügen Sie Lesezeichen hinzu, teilen Sie sie mit Kollegen, ziehen Sie Schlussfolgerungen und arbeiten Sie produktiv. Dieser Digest wird laufend im Telegrammkanal Neuron (@neurondata) veröffentlicht und abonniert mich in Habré. Verpassen Sie nicht die folgenden Digests.

Alles Wissen!