Data Science | Machinelearning [ru]

2021-02-27 10:00:34 Открыть/Комментировать

2021-02-26 21:00:37 Правильный ответ
ORDER BY

Объяснение
Операторы ROLLUP и ORDER BY являются взаимоисключающими. Открыть/Комментировать

2021-02-26 19:01:23 Какое ключевое слово запрещено использовать совместно с оператором ROLLUP?
#SQL

GROUP BY
0%
HAVING - 1
13%
ORDER BY - 2
25%
LIMIT - 5
63%
8 человек уже проголосовало. Открыть/Комментировать

2021-02-26 10:00:42 ​​Разработан датчик зрения для следующего поколения ИИ
Чтобы до конца раскрыть свой потенциал, компьютеру, который имитирует работу человеческого мозга, нужен оптический датчик, повторяющий функции нашего зрения. Уже были попытки создать такой датчик, но его производство оказывалось слишком сложным. Новое устройство — это простой светочувствительный конденсатор, который точно имитирует определенные особенности сетчатки человеческого глаза. Разработка обещает настоящий прорыв в развитии искусственного интеллекта и в робототехнике.
Предыдущие попытки создать ретиноморфный датчик — устройство, имитирующее человеческое зрение, — базировались на программном обеспечении либо очень сложном оборудовании. Но новый датчик, разработанный в Университете штата Орегон, имеет относительно простую конструкцию на базе перовскитных полупроводников.
Фактически это простой светочувствительный конденсатор на основе металлогалогенных перовскитов, который выдает кратковременный всплеск напряжения в ответ на изменение интенсивности падающего света, но при постоянном освещении показывает нулевое напряжение. А перовскиты в последнее время активно изучают в качестве перспективного материала для солнечных батарей — при воздействии света он меняет свои изолирующие свойства на проводящие.
Человеческое зрение лучше реагирует на движущиеся объекты и чуть хуже — на неподвижные. То есть в оптической схеме нашего зрения в приоритете — сигналы от фоторецепторов, которые фиксируют изменение интенсивности света. Самый простой пример — феномен Трокслера: когда вы долго вглядываетесь в фиксированную точку, статические объекты в вашем периферийном зрении начинают исчезать.
Традиционные микросхемы цифровых камер и смартфонов лучше подходят для последовательной обработки. Изображения сканируются датчиками пиксель за пикселем с определенной частотой. Амплитуда сигнала, который генерирует каждый датчик, напрямую зависит от интенсивности света, который он получает. Следовательно, статическое изображение приведет к более или менее постоянному выходному напряжению от датчика.
А ретиноморфный датчик, наоборот, «спокоен» при статическом окружении. Когда освещенность меняется, он показывает короткий всплеск напряжения, а затем быстро возвращается к своему базовому состоянию. Это связано с фотоэлектрическими свойствами перовскита, который в датчике нанесен ультратонкими слоями толщиной всего несколько сотен нанометров. По сути, он выступает как конденсатор, который изменяет свою емкость при освещении.
Разработчики проверяли работу датчика: движущиеся объекты были яркими и четкими, статичные — сливались с темнотой. Это отражает особенности зрительного восприятия у млекопитающих.
Также они протестировали датчик на разных ситуациях. Ему «показали» видеозапись тренировки по бейсболу — в результате игроки на поле выглядели как четкие и яркие движущиеся объекты, а относительно статичные объекты наподобие трибун сливались с темным фоном. И датчик «увидел» летящую птицу, которая исчезла, потому что перестала двигаться возле кормушки, и снова появилась, когда взлетела.
Новый датчик по всем параметрам подходит для нейроморфных компьютеров, которые станут основой для следующего поколения искусственного интеллекта.
К примеру, если такими датчиками оснастить робота, отслеживающего движение каких-то объектов, то все неподвижные объекты в его поле зрения не вызовут реакции, однако на движение он сразу отзовется высоким напряжением. Это немедленно сообщит роботу, где находится объект, и все это без сложной обработки изображения.
Сами авторы разработки описывают масштаб своего изобретения, сравнивая его с пикселем, который теперь может самостоятельно выполнять некие действия, для которых раньше был нужен микропроцессор.


Реакция ретиноморфного датчика на разные объекты. Изображение: Университет штата Орегон Открыть/Комментировать

2021-02-25 21:01:10 Правильный ответ
3

Объяснение:
В процессе агрегирования (в данном случае при вычислении количества) значения NULL игнорируются (то есть считается количество строк со значением не NULL). Открыть/Комментировать

2021-02-25 19:01:30 Дана таблица people:
+-----+--------------+-------+
|Num | Name | Amount|
+-----+--------------+-------+
| 1 | Kate | 15 |
| 2 | Misha | NULL |
| 3 | Nick | 0 |
| 4 | Larisa | 20 |
+-----+--------------+-------+
Какой будет результат выполнения запроса SELECT COUNT(Amount) FROM people;?

4 - 17
46%
Запрос завершится ошибкой поскольку присутствует NULL - 6
16%
UNKNOWN, поскольку присутситвует NULL - 4
11%
3 - 10
27%
37 человек уже проголосовало. Открыть/Комментировать

2021-02-25 10:00:45 «Жидкая» нейросеть изменяет алгоритмы прямо в процессе работы и становится умнее
Ученые разработали так называемую «жидкую» нейронную сеть, которая может учиться во время работы. Она способна постоянно адаптироваться к текущим задачам в режиме реального времени, а ее алгоритмы принимают решения на основе постоянно меняющихся потоков данных.
Нейронные сети — это алгоритмы машинного обучения, которые используют набор обучающих примеров для распознавания закономерностей. Поведение большинства нейронных сетей фиксируется после фазы обучения, то есть они плохо приспосабливаются к изменениям во входящем потоке данных. «Жидкие» сети — это тип нейронных сетей, которые могут изменять свои параметры в режиме реального времени, существенно улучшая свою способность анализировать меняющиеся данные.
Свое вдохновение авторы разработки — исследователи из MIT — черпали в биологии, в частности, у небольшого круглого червя Caenorhabditis elegans, который генерирует неожиданно сложные комбинации поведения, несмотря на ограниченное количество нейронов. «Жидкая» сеть была разработана путем тщательного анализа того, как нейроны червя активируются и взаимодействуют друг с другом с помощью электрических импульсов. 
У Liquid Neural Network есть ряд преимуществ, а именно:
«Жидкие» сети делают модель более стабильной, повышая ее устойчивость к неожиданным и зашумленным данным. Например, они могут заставить алгоритмы адаптироваться к сильным дождям, которые мешают обзору беспилотного автомобиля.

«Жидкая» сеть делает алгоритм более интерпретируемым. Ученые считают, что она поможет решить проблему «черного ящика» алгоритмов машинного обучения из-за другой природы нейронов.

«Жидкая» сеть показала лучшие результаты по сравнению с другими временными рядами в прогнозировании будущих значений в наборах данных, используемых в атмосферной химии и схемах движения. 
Помимо высокой надежности, новая модель также помогает снизить вычислительные затраты. Ученые стремились к меньшему количеству узлов сети, но при этом чтобы они были больше. Другими словами, исследование было сосредоточено на уменьшении масштаба сети, а не на его увеличении.
Исследователи видят будущее «жидких» сетей в управлении роботами, обработке естественного языка и видео — в общем, в любой форме обработки данных временных рядов (собранных в разные моменты времени статистических материалов о значении каких-либо параметров исследуемого процесса). 
Например, огромный прогресс был достигнут в разработке умных роботов, которые работают с людьми, но тут оставалась серьезная проблема с точки зрения безопасности и этики. «Жидкие» сети помогут преодолеть эти проблемы. Возможность принятия решений в режиме реального времени также повысит безопасность роботов и людей, работающих в тандеме (например, на складах или на дороге). Или, к примеру, социальные боты или чат-боты в прошлом часто ошибались при формировании ответов. А благодаря улучшенной интерпретации «жидкие» сети помогут избежать подобных ошибок за счет улучшения алгоритмов обработки естественного языка. 
Кроме того, данные временных рядов широко используются в медицинской диагностике и разработке лекарств. «Жидкие» сети также могут ускорить эти процессы.
В дальнейшем планируется, что Liquid Neural Network станет важным элементом будущих интеллектуальных систем. По словам исследователей MIT, следующим шагом будет улучшение существующей системы и ее подготовка к промышленному применению. Открыть/Комментировать

2021-02-24 21:00:43 Правильный ответ
INSERT INTO Открыть/Комментировать

2021-02-24 19:00:52 Какой оператор SQL используется для вставки новых данных в базу данных?
#SQL

ADD - 1
2%
STORE
0%
ADD NEW
0%
INSERT INTO - 44
94%
INSERT NEW - 2
4%
ADD RECORD
0%
47 человек уже проголосовало. Открыть/Комментировать

2021-02-24 10:01:31 Новый электронный чип ИИ работает просто от света
Международная группа ученых разработала технологию искусственного интеллекта, которая объединяет обработку изображений, машинное обучение и память в одном электронном чипе, работающем только от света. Прототип технологии полностью имитирует механизм обработки визуальной информации человеческим мозгом. А это уже серьезный шаг к новой системе «мозг на кристалле», которая может обучаться по тому же принципу, что и люди.
Если прототип нейроморфного чипа со световым приводом получит дальнейшее развитие, то ученые вплотную приблизятся к созданию более «умных» и компактных автономных технологий, которые лягут в основу дронов, роботов, носимых смарт-устройств следующего поколения и даже будут использоваться в бионических имплантатах, таких как искусственная сетчатка глаза. К примеру, использование чипа совместно с искусственной сетчаткой позволило бы миниатюризировать технологию и повысить точность бионического глаза.
Прототип светового чипа разработала международная группа, состоящая из австралийских, американских и китайских исследователей под руководством специалистов из Университета RMIT (Мельбурнского королевского технологического университета в Австралии). Результаты опубликованы в журнале Advanced Materials.
Ученые задавались целью воспроизвести способность человеческого мозга обучаться на основе увиденного, то есть механизм запоминания чего-то, что мы видим.
Обычно искусственный интеллект полагается на программное обеспечение и обработку данных при помощи алгоритмов. Новая же разработка объединяет в себе электронное оборудование и ИИ. В результате ИИ способен быстро принимать решения.
Представьте себе видеорегистратор в автомобиле, который работает на основе такого чипа. Он способен распознавать огни, знаки, объекты на дороге и принимать мгновенные решения без необходимости подключения к интернету.
Что касается принципа работы, то технология основана на более раннем прототипе чипа от команды RMIT, который использовал свет для создания «воспоминаний» и их хранения.
Сама идея взяла свое начало в оптогенетике — новом инструменте в биотехнологии, который позволяет ученым с большой точностью изучать электрическую систему тела и использовать свет для управления нейронами.
В основе нового чипа лежит ультратонкий материал — черный фосфор. Он изменяет электрическое сопротивление в ответ на световые волны различной длины. А такие функции, как восприятие изображений или хранение информации в памяти, достигаются за счет освещения микросхемы светом разных цветов.
Ученые прибегли к этой схеме, потому что вычисления на основе света быстрее, точнее и требуют гораздо меньше энергии, чем существующие технологии.
Новые возможности означают, что теперь ИИ способен считывать и автоматически улучшать изображения, классифицировать числа и обучаться распознавать шаблоны и изображения с точностью более 90%.
Прототип нейроморфного чипа также легко совместим с существующей электроникой и кремниевыми технологиями, а это говорит о простой интеграции его в будущем в другие устройства. Открыть/Комментировать