Рубрика «нейросети» - 30

Исследователь лаборатории ИИ Сбербанка – о задачах Data Science и RnD - 1

Нейронные сети – это не только развлекательная Prisma да FindFace. Сегодня машинное обучение и Big Data способны решать реальные бизнес-задачи. О новых технологиях в B2B-секторе знает бывший руководитель подразделения Data Science в МТС, разработчик алгоритма автодополнения запросов в поисковике «Яндекса» Дмитрий Бабаев.

Сейчас он работает исследователем в лаборатории искусственного интеллекта в Сбербанке. К сожалению, большинство разработок банка – коммерческая тайна, но обо всём, что было позволительно, специалист охотно рассказал. Читать полностью »

Разработчики из Google Brain доказали, что «противоречивые» изображения могут провести как человека, так и компьютер; и возможные последствия — пугающие.

«Взлом» мозга при помощи «картинок-противоречий» - 1

На картинке выше — слева вне всякого сомнения кот. Но можете ли вы сказать однозначно, кот ли справа, или просто собака, которая выглядит похожей на него? Разница между ними в том, что правая сделана при помощи специального алгоритма, который не даёт компьютёрным моделям, называемым «сверточными нейросетями» (CNN, convolutional neural network, далее СНС) однозначно сделать вывод, что на картинке. В данном случае СНС считают, что это скорее пёс, нежели кот, но что самое интересное — большинство людей думают точно так же.
Читать полностью »

Ученые из лаборатории «Компьютерные технологии» Университета ИТМО в составе международной группы исследователей разработали систему Aging.AI — алгоритм определения возраста по результатам базового анализа крови.

В отличие от других разработок эта — более универсальная и точная.

В ходе исследования ученые анализировали наборы данных людей разных национальностей и показали, что такой подход обладает большей предсказательной точностью, нежели разработки, основывающиеся на данных людей, принадлежащих к одной популяции.

Подробнее об этом исследовании читайте в нашем материале.

Нейросеть, определяющая возраст по анализу крови, — разработки ученых Университета ИТМО - 1Читать полностью »

Технология машинного обучения от Google помогает НАСА открывать экзопланеты - 1

Несколько дней назад агентство НАСА объявило об интересных результатах партнерства с телекоммуникационным гигантом — корпорацией Google. Речь идет о долгосрочном сотрудничестве, цель которого — использование возможностей машинного обучения для обработки огромного количества данных, получаемых НАСА с орбитального телескопа «Кеплер». Одним из таких результатов можно назвать обнаружение восьмой по счету экзопленеты в системе Kepler-90.

Сама планета является самой мелкой в этой системе. Kepler-90 находится в 2,5 тысячах световых лет от Земли. Экзопланета, о которой идет речь, совершает оборот вокруг своей звезды за 14 дней. Насколько можно судить, она находится довольно близко от своего светила, так что вряд ли на ней есть вода, Kepler-90i по своим характеристикам больше похожа на Меркурий, чем на Землю.
Читать полностью »

В новом дайджесте мы обсуждаем учебные проекты, странную покупку старого Mac Mini, самые популярные приложения, потерю данных 31 миллиона пользователей одной из мобильных клавиатур, правильные продуктовые метрики и многое другое.

Дайджест интересных материалов для мобильного разработчика #233 (4 декабря — 10 декабря) - 1Читать полностью »

Нейросети без учителя переводят с языков, для которых нет параллельного корпуса текстов - 1

Машинный перевод с помощью нейросетей прошёл долгий путь с момента первых научных исследований на эту тему и до того момента, как компания Google заявила о полном переводе сервиса Google Translate на глубинное обучение.

Как известно, в основе нейронного переводчика механизм двунаправленных рекуррентных нейронных сетей (Bidirectional Recurrent Neural Networks), построенный на матричных вычислениях, который позволяет строить существенно более сложные вероятностные модели, чем статистические машинные переводчики. Однако всегда считалось, что нейронный перевод, как и статистический, требует для обучения параллельных корпусов текстов на двух языках. На этих корпусах обучается нейросеть, принимая человеческий перевод за эталонный.

Как теперь выяснилось, нейросети способны освоить новый язык для перевода даже без параллельного корпуса текстов! На сайте препринтов arXiv.org опубликованы сразу две работы на эту тему.
Читать полностью »

Нейросеть из Стэнфорда диагностирует пневмонию на рентгеновском снимке лучше, чем врачи - 1

Исследователи из Сэнфордского университета разработали самообучающийся алгоритм, который способен ставить диагноз по медицинским снимкам (рентгенография грудной клетки). Эта программная платформа специализируются лишь на пневмонии, но свою задачу она выполняет лучше, чем профессиональные радиологи.

Пневмония бывает разной, и нейросеть отличает 14 ее разновидностей по рентгеновскому снимку. Результаты своей работы ученые опубликовали в открытом доступе на arXiv. «Анализ медицинских снимков — сложная задача, и мы знаем об этом», — говорит один из разработчиков программной платформы. «Мы решили разработать самообучающиеся алгоритмы, проведя „тренировку“ на основе сотен тысяч медицинских снимков».
Читать полностью »

Привет! Пока мы ждём субботу и Avito Data Science Meetup: Computer Vision, расскажу вам про моё участие в соревновании по машинному обучению KONICA MINOLTA Pathological Image Segmentation Challenge. Хотя я уделил этому всего несколько дней, мне повезло занять 2 место. Описание решения и детективная история под катом.

Конкурс Topcoder «Konica-Minolta Pathological Image Segmentation Challenge». Заметки участника - 1

Читать полностью »

Практически все известные вам достижения ИИ связаны с прорывом тридцатилетней давности

Можно ли обучить искусственный интеллект новым трюкам? - 1Я стою в комнате, которая скоро станет центрам мира – ну или просто в очень большой комнате на седьмом этаже сверкающей башни в деловом центре Торонто. Экскурсию мне устраивает Джордан Джейкобс, сооснователь этого места: зарождающийся институт «Вектор», открывающий свои двери осенью 2017 года, и стремящийся стать глобальным эпицентром искусственного интеллекта.

Мы находимся в Торонто, поскольку Джеффри Хинтон находится в Торонто, а Джеффри Хинтон – отец «глубинного обучения» (ГО), технологии, стоящей за текущим восторгом по поводу ИИ. «Через 30 лет мы оглянемся и скажем, что Джефф был Эйнштейном в ИИ, глубинном обучении, в том, что мы называем ИИ», – говорит Джейкобс. Среди исследователей, находящихся на передовой в области ГО, у Хинтона больше цитат, чем у следующих троих, вместе взятых. Его студенты и аспиранты запустили ИИ-лаборатории в компаниях Apple, Facebook и OpenAI; сам Хинтон – ведущий учёный в команде Google Brain AI. Практически все достижения в области ИИ последнего десятилетия – переводы, распознавание речи, распознавание изображений, игры – так или иначе основываются на работе Хинтона.
Читать полностью »

Я понимаю, что странно начинать блог с негатива, но за последние несколько дней поднялась волна дискуссий, которая хорошо соотносится с некоторыми темами, над которыми я думал в последнее время. Всё началось с поста Джеффа Лика в блоге Simply Stats с предостережением об использовании глубинного обучения на малом размере выборки. Он утверждает, что при малом размере выборки (что часто наблюдается в биологии), линейные модели с небольшим количеством параметров работают эффективнее, чем нейросети даже с минимумом слоёв и скрытых блоков.

Далее он показывает, что очень простой линейный предиктор с десятью самыми информативными признаками работает эффективнее простой нейросети в задаче классификации нулей и единиц в наборе данных MNIST, при использовании всего около 80 образцов. Эта статья сподвигла Эндрю Бима написать опровержение, в котором правильно обученная нейросеть сумела превзойти простую линейную модель, даже на очень малом количестве образцов.

Такие споры идут на фоне того, что всё больше и больше исследователей в области биомедицинской информатики применяют глубинное обучение на различных задачах. Оправдан ли ажиотаж, или нам достаточно линейных моделей? Как всегда, здесь нет однозначного ответа. В этой статье я хочу рассмотреть случаи применения машинного обучения, где использование глубоких нейросетей вообще не имеет смысла. А также поговорить о распространённых предрассудках, которые, на мой взгляд, мешают действительно эффективно применять глубинное обучение, особенно у новичков.
Читать полностью »


https://ajax.googleapis.com/ajax/libs/jquery/3.4.1/jquery.min.js