Intisari Artikel Pembelajaran Mesin dan Kecerdasan Buatan

Habr, halo.

Setelah menyaring sejumlah besar artikel, konferensi, dan langganan, saya mengumpulkan bagi Anda semua panduan, artikel, dan peretasan kehidupan paling signifikan dari dunia pembelajaran mesin dan kecerdasan buatan. Selamat membaca!

1. Proyek kecerdasan buatan yang dapat Anda mainkan hari ini. Apa yang Anda ketahui tentang kecerdasan buatan dan pembelajaran mesin? Tren saat ini atau kekuatan yang berpotensi kuat yang dapat membunuh orang? Konsep-konsep modis ini semakin terdengar, tetapi tidak semua orang tahu apa itu sebenarnya. Sudah waktunya untuk mempelajari teknologi ini menggunakan pendekatan yang sederhana dan menarik - cobalah kecerdasan buatan dan jaringan saraf dalam praktik Anda sendiri.



→ Baca lebih lanjut

2. Belajar AI, jika Anda tidak mengerti apa-apa dalam matematika. Mungkin Anda ingin menggali lebih dalam dan menjalankan program pengenalan gambar di TensorFlow atau Theano? Anda mungkin menjadi pengembang atau arsitek sistem yang hebat dan Anda tahu komputer sangat baik, tetapi hanya ada satu masalah kecil: Anda tidak mengerti matematika.



→ Baca lebih lanjut

3. Cara membangun sistem moderasi pesan. Sistem moderasi otomatis biasanya tertanam dalam layanan web dan aplikasi di mana sejumlah besar pesan pengguna harus diproses. Sistem tersebut dapat mengurangi biaya moderasi manual dan mempercepat moderasi dengan memproses semua pesan pengguna secara real time. Artikel ini akan membahas pengembangan sistem moderasi otomatis menggunakan algoritma pembelajaran mesin.



→ Baca lebih lanjut

4. Daftar alat kecerdasan buatan yang dapat Anda gunakan hari ini adalah untuk penggunaan pribadi (1/3). Dalam beberapa minggu, saya membalik-balik ribuan situs (lebih dari 6.000 tautan) untuk memberi Anda daftar lengkap produk AI terbaik dan perusahaan paling menjanjikan di bidang ini.



→ Baca lebih lanjut

5. Daftar alat kecerdasan buatan yang dapat Anda gunakan hari ini adalah untuk bisnis (2/3). Daftar ini mencakup perusahaan yang mengerjakan produk untuk kecerdasan buatan dan pembelajaran mesin, terutama untuk tujuan bisnis, tidak khusus untuk industri apa pun.



→ Baca lebih lanjut

6. Daftar alat kecerdasan buatan yang dapat Anda gunakan hari ini - untuk bisnis (2/3). Ketika membuat daftar lengkap, saya menemukan bahwa itu menjadi terlalu panjang dan membingungkan, jadi saya memutuskan bahwa akan lebih mudah untuk membagi seluruh daftar menjadi 2 bagian, untuk memudahkan persepsi.



→ Baca lebih lanjut

7. Daftar alat kecerdasan buatan yang dapat Anda gunakan hari ini adalah untuk industri tertentu (3/3). Bagian terakhir dari teka-teki adalah bagian 3. Berikut ini adalah perusahaan industri yang menggunakan berbagai bentuk kecerdasan buatan untuk menyelesaikan tugas yang sangat menarik dan spesifik untuk pasar yang berbeda.



→ Baca lebih lanjut

8. Bekerja dengan data dengan cara baru: Panda bukannya SQL. Sebelumnya, SQL sebagai alat sudah cukup untuk analisis penelitian: pengambilan data cepat dan pelaporan awal. Sekarang data datang dalam berbagai bentuk dan tidak selalu berarti "database relasional". Ini bisa berupa file CSV, teks biasa, Parket, HDF5, dan banyak lagi. Di sinilah perpustakaan Pandas akan membantu Anda.



→ Baca lebih lanjut

9. Kumpulan data terbaik untuk pembelajaran mesin dan analisis data. Analisis data dan pembelajaran mesin membutuhkan banyak data. Mungkin untuk merakitnya sendiri, tetapi melelahkan. Di sini, set data siap pakai dalam berbagai kategori datang untuk membantu kami.



→ Baca lebih lanjut

10. Kesehatan dan blockchain - kontrak pintar, asuransi dan rantai pasokan. Semua dengan sedikit AI. Untuk ini datang kontrak pintar, diprogram operator if/then , yang dapat diimplementasikan pada jaringan blockchain. Ini akan memungkinkan Anda untuk dengan cepat dan efisien menghitung dan mengeksekusi keputusan dengan data yang disimpan tanpa perlu proses manusia.



→ Baca lebih lanjut

11. Cara mengembangkan keterampilan hebat untuk asisten suara pada tahun 2019. Terima teknik yang tepat untuk mulai mengembangkan keterampilan Anda berikutnya dengan melihat beberapa elemen kunci dari antarmuka suara dan pengalaman pengguna.


→ Baca lebih lanjut

12. Mengapa, kapan, dan bagaimana menggunakan Python multithreading dan multiprocessing. Tujuan dari tutorial ini adalah untuk menjelaskan mengapa multithreading dan multiprocessing diperlukan dalam Python, kapan harus menggunakan satu di atas yang lain, dan bagaimana menggunakannya dalam program Anda.



→ Baca lebih lanjut

13. Model lintas sektoral untuk menganalisis dan memprediksi data menggunakan Python dalam data tabular SAP HANA. Blog ini membantu Anda terhubung ke database SAP HANA (versi 1.0 SPS12) dan kemudian mengekstrak data dari tabel HANA / melihat dan menganalisis data menggunakan perpustakaan Python Pandas.

→ Baca lebih lanjut

14. Demistifikasi arsitektur jaringan dengan memori jangka pendek (LSTM). Kami menggunakan memori akses acak jangka panjang (LSTM) dan Gated Recurrent Unit (GRU), yang merupakan solusi yang sangat efektif untuk masalah gradien pelenyapan, dan mereka memungkinkan jaringan saraf untuk menangkap dependensi yang jauh lebih jauh.



→ Baca lebih lanjut

15. Deteksi kendaraan real-time dengan kecepatan 50 frame per detik pada GPU AMD. Di sini kita fokus pada model deteksi objek pembelajaran yang mendalam karena akurasi yang unggul.



→ Baca lebih lanjut

16. Tinjauan umum metode klasifikasi dalam pembelajaran mesin menggunakan Scikit-Learn. Ada banyak perpustakaan yang ditulis untuk pembelajaran mesin dengan Python. Hari ini kita akan melihat salah satu yang paling populer - Scikit-Learn. Scikit-Learn menyederhanakan proses membuat classifier dan membantu untuk lebih jelas menyoroti konsep pembelajaran mesin, mewujudkannya dengan perpustakaan yang dapat dimengerti, didokumentasikan dengan baik dan dapat diandalkan.



→ Baca lebih lanjut

17. Pengantar forensik. Komputer forensik (forensik) adalah ilmu terapan tentang pengungkapan kejahatan yang berkaitan dengan informasi komputer, studi tentang bukti digital, metode untuk mencari, memperoleh dan mengamankan bukti tersebut.



→ Baca lebih lanjut

18. Kecerdasan buatan dalam praktik: kami membuat sistem pakar untuk persiapan barbekyu. Kelihatannya seperti ini: sistem menanyakan serangkaian pertanyaan, dan pertanyaan selanjutnya bergantung pada jawaban yang diterima. Kemudian sistem membuat kesimpulan dan menunjukkan seluruh rantai penalaran yang mengarah padanya. Artinya, pengetahuan dan pengalaman pakar direplikasi, dan yang tak kalah penting, jalannya penalarannya direplikasi.



→ Baca lebih lanjut

19. Implementasi dan analisis algoritma hutan acak dengan Python. Pada artikel ini, kita akan belajar cara membuat dan menggunakan algoritma Random Forest dengan Python. Selain mempelajari kode secara langsung, kami akan mencoba memahami prinsip-prinsip model. Algoritma ini terdiri dari banyak pohon keputusan, jadi pertama-tama kita akan mencari tahu bagaimana satu pohon tersebut memecahkan masalah klasifikasi. Setelah itu, menggunakan algoritma, kami memecahkan masalah menggunakan satu set data ilmiah nyata. Semua kode yang digunakan dalam artikel ini tersedia di GitHub di Notebook Jupyter.



→ Baca lebih lanjut

20. Manusia di Loop: bagaimana mengurangi sumber daya untuk markup data. Penggunaan pembelajaran yang mendalam dan data berlabel besar memungkinkan untuk secara akurat mensimulasikan spektrum berbagai fenomena. Markup data adalah proses intensif sumber daya, dan data yang tidak selalu berlabel berada dalam domain publik.



→ Baca lebih lanjut

21. The Simpsons menerima visualisasi data. Secara alami, ketika saya menemukan bahwa saya dapat mengunduh semua skrip episode yang saya inginkan (melalui kaggle), saya tahu apa yang harus saya lakukan. Memiliki akses ke semua yang Homer pernah katakan, saya tidak bisa menahan diri untuk seorang peneliti data untuk mengungkapkan beberapa ide dari salah satu acara televisi animasi paling mencolok selama tiga dekade terakhir.



→ Baca lebih lanjut

22. Bagaimana pemula dapat membuat visualisasi data keren? Untuk analis data, visualisasi selalu merupakan penelitian abadi, karena mengungkapkan kepada kami undang-undang yang mendasari data.



→ Baca lebih lanjut

23. Mengkonfigurasi peringatan otomatis Pipa Data AWS Lambda.



→ Baca lebih lanjut

24. Alat pelatihan modern yang komprehensif untuk pengenalan gambar. Klasifikasi multi-kelas yang cepat dari gambar menggunakan perpustakaan fastai dan PyTorch



→ Baca lebih lanjut

25. Adaptasi Deep Domain dalam visi komputer. Selama dekade terakhir, bidang visi komputer telah mencapai kesuksesan luar biasa. Kemajuan ini terutama disebabkan oleh efektivitas jaringan saraf convolutional (CNN) yang tidak dapat disangkal. CNN memungkinkan Anda membuat prediksi yang sangat akurat jika mereka dilatih menggunakan data pelatihan beranotasi berkualitas tinggi.



→ Baca lebih lanjut

26. Optimalisasi jaringan saraf. Cakupan pengoptimal, momentum, kecepatan belajar adaptif, normalisasi batch, dan banyak lagi.



→ Baca lebih lanjut

27. Solusi algoritma bias bias: panduan teknis. Saya ingin berbicara tentang pendekatan teknis untuk mengurangi bias algoritmik.



→ Baca lebih lanjut

28. Desain komputer yang sugestif. Memfasilitasi desain melalui pembelajaran mesin.



→ Baca lebih lanjut

29. Pembuatan kumpulan data: membuat foto thumbnail menggunakan GAN. Data adalah dasar dari model ML dan DL kami. Kami tidak dapat membuat program yang kuat jika kami tidak memiliki kumpulan data yang sesuai untuk algoritma pelatihan.



→ Baca lebih lanjut

Siapa yang belum membaca intisari berita saya untuk bulan Juni, tinggalkan tautan .

Tentang ini intisari singkat kami berakhir. Tambahkan ke bookmark, bagikan dengan kolega, menarik kesimpulan dan bekerja secara produktif. Secara berkelanjutan, intisari ini diterbitkan di saluran telegram Neuron (@neurondata) dan berlangganan saya di Habré, jangan lewatkan intisari berikut.

Semua pengetahuan!