Habr, olá.
Depois de filtrar um grande número de artigos, conferências e assinaturas, coletei para você todos os guias, artigos e truques de vida mais significativos do mundo do aprendizado de máquina e da inteligência artificial. Boa leitura!
1. Projetos de inteligência artificial com os quais você pode jogar hoje. O que você sabe sobre inteligência artificial e aprendizado de máquina? Tendência atual ou força potencialmente poderosa que pode matar pessoas? Esses conceitos da moda são cada vez mais ouvidos, mas nem todos sabem o que realmente é. É hora de aprender essas tecnologias usando uma abordagem simples e interessante - tente inteligência artificial e redes neurais por conta própria na prática.
→
Leia mais2. Aprender IA, se você não entende nada em matemática. Talvez você queira se aprofundar e executar o programa de reconhecimento de imagem no TensorFlow ou Theano? Você pode ser um incrível desenvolvedor ou arquiteto de sistemas e conhece muito bem os computadores, mas há apenas um pequeno problema: você não entende matemática.
→
Leia mais3. Como construir um sistema de moderação de mensagens. Os sistemas de moderação automática geralmente são incorporados em serviços e aplicativos da Web onde um grande número de mensagens do usuário deve ser processado. Esses sistemas podem reduzir os custos de moderação manual e acelerar a moderação, processando todas as mensagens do usuário em tempo real. Este artigo discutirá o desenvolvimento de um sistema de moderação automático usando algoritmos de aprendizado de máquina.
→
Leia mais4. A lista de ferramentas de inteligência artificial que você pode usar hoje é para uso pessoal (1/3). Em algumas semanas, folheei literalmente milhares de sites (mais de 6.000 links) para apresentar uma lista completa dos melhores produtos de IA e das empresas mais promissoras nessa área.
→
Leia mais5. A lista de ferramentas de inteligência artificial que você pode usar hoje é para negócios (2/3). Esta lista inclui empresas que trabalham em produtos para inteligência artificial e aprendizado de máquina, principalmente para fins comerciais, não específicos a qualquer setor.
→
Leia mais6. Lista de ferramentas de inteligência artificial que você pode usar hoje - para empresas (2/3). Ao criar uma lista completa, achei que ela ficou muito longa e confusa, então decidi que seria mais fácil dividir a lista inteira em duas partes, para facilitar a percepção.
→
Leia mais7. A lista de ferramentas de inteligência artificial que você pode usar hoje é para um setor específico (3/3). A última peça do quebra-cabeça é a parte 3. A seguir, apresentamos as empresas do setor que usam várias formas de inteligência artificial para resolver tarefas realmente interessantes e específicas para diferentes mercados.
→
Leia mais8. Trabalhe com dados de uma nova maneira: Pandas em vez de SQL. Anteriormente, o SQL como ferramenta era suficiente para a análise da pesquisa: recuperação rápida de dados e relatórios preliminares. Agora, os dados vêm de várias formas e nem sempre significam "bancos de dados relacionais". Podem ser arquivos CSV, texto simples, Parquet, HDF5 e muito mais. É aqui que a biblioteca do Pandas o ajudará.
→
Leia mais9. Os melhores conjuntos de dados para aprendizado de máquina e análise de dados. A análise de dados e o aprendizado de máquina exigem muitos dados. Seria possível montá-los você mesmo, mas é cansativo. Aqui, conjuntos de dados prontos em uma ampla variedade de categorias vêm em nosso auxílio.
→
Leia mais10. Saúde e blockchain - contratos inteligentes, seguros e cadeias de suprimentos. Tudo com uma pitada de IA. Para isso, surgiram contratos inteligentes, programáveis
if/then operadores, que poderiam ser implementados na rede blockchain. Isso permitirá que você calcule e execute decisões de forma rápida e eficiente com dados armazenados, sem a necessidade de processamento humano.
→
Leia mais11. Como desenvolver grandes habilidades para assistentes de voz em 2019. Aceite as técnicas corretas para começar a desenvolver sua próxima habilidade, analisando alguns elementos-chave das interfaces de voz e experiência do usuário.
→
Leia mais12. Por que, quando e como usar o multithreading e o multiprocessamento Python. O objetivo deste tutorial é explicar por que o multithreading e o multiprocessing são necessários no Python, quando usar um em cima do outro e como usá-los em seus programas.
→
Leia mais13. Um modelo transversal para analisar e prever dados usando Python nos dados tabulares do SAP HANA. Este blog ajuda você a se conectar ao banco de dados SAP HANA (versão 1.0 SPS12) e depois extrair dados da tabela HANA / exibir e analisar dados usando a biblioteca Python Pandas.
→
Leia mais14. Desmistificação da arquitetura de redes com memória de curto prazo (LSTM). Usamos a memória de acesso aleatório de longo prazo (LSTM) e a Unidade Recorrente Fechada (GRU), que são soluções muito eficazes para o problema do gradiente de fuga e permitem que uma rede neural capture dependências muito mais distantes.
→
Leia mais15. Detecção de veículo em tempo real a 50 quadros por segundo em uma GPU AMD. Aqui, nos concentramos em modelos de detecção de objetos de aprendizado profundo devido à sua precisão superior.
→
Leia mais16. Visão geral dos métodos de classificação no aprendizado de máquina usando o Scikit-Learn. Existem muitas bibliotecas escritas para aprendizado de máquina em Python. Hoje, veremos um dos mais populares - o Scikit-Learn. O Scikit-Learn simplifica o processo de criação de um classificador e ajuda a destacar mais claramente os conceitos de aprendizado de máquina, realizando-os com uma biblioteca compreensível, bem documentada e confiável.
→
Leia mais17. Introdução à ciência forense. A computação forense (forense) é uma ciência aplicada sobre a divulgação de crimes relacionados a informações de computadores, o estudo de evidências digitais, métodos para encontrar, obter e corrigir essas evidências.
→
Leia mais18. Inteligência artificial na prática: criamos um sistema especialista para a preparação de churrasco. Parece algo assim: o sistema faz uma série de perguntas e as perguntas subsequentes dependem das respostas recebidas. Então o sistema faz uma conclusão e mostra toda a cadeia de raciocínio que o levou. Ou seja, o conhecimento e a experiência do especialista são replicados e, não menos importante, o próprio curso de seu raciocínio é replicado.
→
Leia mais19. Implementação e análise do algoritmo de floresta aleatória em Python. Neste artigo, aprenderemos como criar e usar o algoritmo Random Forest no Python. Além do estudo direto do código, tentaremos entender os princípios do modelo. Esse algoritmo é composto de muitas árvores de decisão; portanto, primeiro descobriremos como uma dessas árvores resolve o problema de classificação. Depois disso, usando um algoritmo, resolvemos o problema usando um conjunto de dados científicos reais. Todo o código usado neste artigo está disponível no GitHub no Jupyter Notebook.
→
Leia mais20. Humano no circuito: como reduzir recursos para marcação de dados. O uso de aprendizado profundo e grandes dados rotulados permite simular com precisão o espectro de vários fenômenos. A marcação de dados é um processo que consome muitos recursos e nem sempre os dados rotulados são de domínio público.
→
Leia mais21. Os Simpsons receberam visualização de dados. Naturalmente, quando descobri que podia fazer o download de todos os scripts de episódios que eu poderia desejar (via kaggle), sabia o que tinha que fazer. Tendo acesso a tudo o que Homer já disse, não pude resistir em colocar um chapéu para um pesquisador de dados expressar algumas idéias de um dos programas de televisão animados mais impressionantes das últimas três décadas.
→
Leia mais22. Como os iniciantes podem criar visualizações interessantes de dados? Para analistas de dados, a visualização é sempre uma pesquisa atemporal, pois nos revela as leis subjacentes aos dados.
→
Leia mais23. Configure os alertas automáticos do AWS Lambda Data Pipeline.
→
Leia mais24. Uma ferramenta abrangente e moderna de treinamento para reconhecimento de imagens. Classificação rápida de imagens em várias classes usando as bibliotecas fastai e PyTorch
→
Leia mais25. Adaptação profunda do domínio na visão computacional. Na última década, o campo da visão computacional alcançou um tremendo sucesso. Esse progresso se deve principalmente à inegável eficácia das redes neurais convolucionais (CNNs). A CNN permite que você faça previsões muito precisas se elas forem treinadas usando dados de treinamento anotados de alta qualidade.
→
Leia mais26. Otimização da rede neural. Cobertura do otimizador, dinâmica, velocidades de aprendizado adaptáveis, normalização de lotes e muito mais.
→
Leia mais27. Soluções algorítmicas de viés algorítmico: guia técnico. Eu quero falar sobre abordagens técnicas para atenuar o viés algorítmico.
→
Leia mais28. Projeto sugestivo de computador. Facilitando o design através do aprendizado de máquina.
→
Leia mais29. Geração de conjunto de dados: criando fotos em miniatura usando o GAN. Os dados são a base dos nossos modelos de ML e DL. Não podemos criar programas fortes se não tivermos um conjunto de dados apropriado para algoritmos de treinamento.
→
Leia maisQuem não leu meu resumo das notícias de junho,
deixe um link .
Com isso, nosso breve resumo chegou ao fim. Adicione aos favoritos, compartilhe com colegas, tire conclusões e trabalhe produtivamente. Em uma base contínua, esse resumo é publicado no
canal de telegrama Neuron (@neurondata) e assine-me em Habré. Não perca os seguintes resumos.
Todo conhecimento!