Основные моменты этой недели — наборы данных и системы с открытым исходным кодом из Стэнфорда и Гарварда; Строительство Джарвиса Цукербергом; Мысли Питера Норвига о достижениях ИИ
Новости
Лаборатория компьютерного зрения и геометрии
Стэнфордская лаборатория CVG выпускает самый первый крупномасштабный набор данных, который собирает изображения и видео различных типов агентов (не только пешеходов, но также велосипедистов, скейтбордистов, автомобилей, автобусов и гольф-каров), которые перемещаются в реальной внешней среде, такой как кампус университета.
Гарвардский НЛП запускает OpenNMT, промышленную систему нейронного машинного перевода с открытым исходным кодом, использующую математический инструментарий Torch.
Статьи
Грядет захват ИИ. Давайте примем это
Во вторник Белый дом опубликовал пугающий доклад об искусственном интеллекте и экономике. Он начался с утверждения, что «следует ожидать, что машины будут продолжать достигать и превосходить возможности человека.
Что DeepMind привносит в Alphabet
Основная ценность фирмы ИИ для Alphabet — это новый тип фабрики алгоритмов.
Пионеры искусственного интеллекта: Питер Норвиг, Google
Питер Норвиг, директор по исследованиям в Google, делится уроками и выводами из своих трех десятилетий исследований и преподавания в области развития области ИИ, реального интеллекта, искусственного интеллекта и машинного обучения, а также ажиотажа вокруг сингулярности.
Аналитическое исследование McKinsey 2016 года определяет будущее машинного обучения
McKinsey видит ускорение внедрения и ценности науки о данных, особенно в областях машинного и глубокого обучения. Вот основные выводы исследования, проведенного за последние несколько лет.
Руководство по решению социальных проблем с помощью машинного обучения
Технологии прогнозирования могут улучшить государственную политику, если мы будем правильно их использовать.
Учебники, инструменты и советы
Личной задачей Цукерберга на 2016 год было создание простого ИИ для управления своим домом — как у Джарвиса в «Железном человеке». Читайте дальше, как он объясняет, что он построил и чему научился на этом пути.
Да, вы должны понимать бэкпроп — Андрей Карпатый
Проблема с обратным распространением заключается в том, что это дырявая абстракция. Карпати пишет, почему все должны понимать обратное распространение на самом низком уровне.
Распознавание дорожных знаков с помощью TensorFlow — Валид Абдулла
Это первая часть серии статей о построении модели глубокого обучения для распознавания дорожных знаков.
Исследовательская работа
Изучаем функции, наблюдая за движением объектов, Патак и др.
Новый подход к неконтролируемому обучению, который использует неконтролируемую сегментацию видео на основе движения для получения сегментов и использует ее в качестве «псевдоосновной правды» для обучения сверточной сети сегментации объектов из одного кадра.
Fast-AT: быстрое автоматическое создание эскизов с использованием глубоких нейронных сетей
Система автоматического создания миниатюр, основанная на полностью сверточной CNN, которая изучает специальные фильтры для миниатюр разных размеров и соотношений сторон. Модель обобщает миниатюры разных размеров, в том числе с экстремальными соотношениями сторон, и может генерировать миниатюры в режиме реального времени.
Слева — исходное изображение, справа внизу — предлагаемое
DeepBach: управляемая модель для создания хоралов Баха
В этой статье представлена DeepBach, статистическая модель, предназначенная для моделирования полифонической музыки и, в частности, четырех частей, похожих на гимны.
Теперь, когда мы вместе продвинулись так далеко (сделано 20 выпусков, ура!!), я хотел бы узнать, что вы думаете о Deep Hunt. Пожалуйста, дайте мне знать с помощью этого короткого двухминутного опроса, это не займет много времени, обещаю!
Если вам нравится то, что вы читаете, пожалуйста, подпишитесь и порекомендуйте своим друзьям или поделитесь благодарностями в Твиттере! Буду рад услышать ваши предложения и рекомендации @deephunt_in или в комментариях ниже!
Первоначально опубликовано как Информационный бюллетень Deep Hunt.
