Data science | Machinelearning [ru]

2021-02-10 13:40:48 ​Как профессиональные Data Engineer работают с моделями ML?

Приглашаем вас перенять экспертный опыт 11 февраля на демо-занятии «ML в Spark».
Вместе с Вадимом Заигриным, Software Engineering Team Lead в Teradata, вы за 2 часа разберете особенности ML в Spark, рассмотрите процесс разработки моделей, научитесь переводить обученные модели в production.

Демо-урок входит в программу онлайн-курса «Data Engineer». Для регистрации и участия в вебинаре, пройдите вступительный тест https://otus.pw/l2W3/ Открыть/Комментировать

2021-02-10 10:00:49 ​​Ученые начинают внедрять живые нейроны в компьютерные микрочипы
Новость из Астонского университета (Великобритания) звучит как начало сюжета голливудского блокбастера, но ее авторы не сомневаются в успехе начинания. Ученые из Астона намереваются интегрировать живые стволовые клетки человеческого мозга в электронные чипы. Они полагают, что это позволит выстроить нейронную сеть нового типа, которая не будет ограничена параметрами существующей техники.

Цель озвучена амбициозная, исследователи хотят «использовать непревзойденную вычислительную мощность мозга разумного существа», чтобы научить компьютер решать задачи, неподвластные типовым алгоритмам. Речь идет не столько о творчестве или сложных материях, сколько о попытках наделить ИИ такими способностями, как интуиция, озарение, нестандартный подход к решению задач. Чтобы вычислительная мощность тратилась не на переборы миллионов вариантов, а на быстрый, но рациональный выбор на основе смекалки и опыта.
Проект носит название Neu-ChiP и формально посвящен разработке новой нейронной сети. Однако ее основу составят настоящие нейроны – живые нервные клетки, которые по мере роста будут адаптироваться и выстраиваться в заданную структуру, чтобы работать в связке с цифровым интерфейсом. Такой подход еще не породит полноценный ИИ, но позволит ставить перед нейросетью задачи, которые требуют нетривиального решения. Как именно это будет реализовано на практике, авторы проекта пока не уточняют.
Источник — Aston University
На фото нейроны, выращенные на CMOS-чипе. Снято сканирующим электронным микроскопом Открыть/Комментировать

2021-02-09 21:01:08 Правильный ответ
SELECT DISTINCT Открыть/Комментировать

2021-02-09 19:00:38 Какой оператор SQL используется для возврата только разных значений?
#SQL

SELECT UNIQUE - 9
10%
SELECT DIFFERENT - 1
1%
SELECT DISTINCT - 80
88%
Не один из перечисленных - 1
1%
91 человек уже проголосовал. Открыть/Комментировать

2021-02-09 10:00:35 Логические нейронные сети
Исследуется возможность построения логических нейронных сетей, выполняющих операции вывода в составе систем искусственного интеллекта. Предлагаются методы построения обученных нейронных сетей, простые методы обучения-трассировки, методы преобразования описаний систем принятия решений для повышения достоверности выводов. Рассматривается возможность применения логических нейронных сетей в самообучающихся системах управления, системах экономики, транспорта, безопасности, защиты информации, при решении задач интеллектуального отображения, в бизнесе туризма и развлечений, при политическом и социальном прогнозировании и в других задачах. Открыть/Комментировать

2021-02-08 21:00:04 Правильный ответ
select avg(age) from persons where age >= 18 Открыть/Комментировать

2021-02-08 19:01:14 Предположим, что создана таблица persons с колонками id, name, age. Какой запрос найдет средний возраст всех людей с возрастом не менее 18-ти лет
#SQL

select avg(age) from persons where age >= 18 - 48
79%
Это может быть сделано только с использованием подзапросов - 2
3%
select avg(age) from persons having avg(age) >= 18 - 5
8%
select avg(age) from persons where age >= 18 group by name - 2
3%
select avg(age) from persons having age >= 18 group by name - 2
3%
select avg(age) from persons having avg >=18 - 2
3%
61 человек уже проголосовал. Открыть/Комментировать

2021-02-08 10:01:33 ColTran: нейросеть раскрашивает черно-белые изображения
Colorization Transformer — это нейросетевая модель, которая окрашивает черно-белые изображения и основывается на механизме внимания. Модель принимает на вход черно-белое изображение. Процесс окрашивания проходит в три этапа. Сначала авторегрессионная Transformer-модель производить окраску в низком разрешении. Архитектура модели использует условные Transformer слои для эффективной обработки изображений. Затем две параллельные нейросети улучшают разрешение и окраску изображения. По результатам экспериментов, модель обходит state-of-the-art архитектуры для раскраски изображений. В качестве метрики использовали FID и результаты опроса на платформе Mechanical Turk. В более чем 60% участники опроса предпочитали результат модели реальному изображению. Открыть/Комментировать

2021-02-07 19:00:52 Нейронный сети. Эволюция 

Эта книга предназначена для всех, кто хочет разобраться в том, как устроены нейронные сети. Для тех читателей, кто хочет сам научиться программировать нейронные сети, без использования специализированных библиотек машинного обучения. Книга предоставляет возможность с нуля разобраться в сути работы искусственных нейронов и нейронных сетей, математических идей, лежащих в их основе, где от вас не требуется никаких специальных знаний, не выходящих за пределы школьного курса в области математики. Открыть/Комментировать

2021-02-07 10:01:12 Австралийские ученые создали самый быстрый в мире оптический нейроморфный процессор
Международная группа, возглавляемая учеными из Технологического университета Свинбурна (Swinburne University of Technology) недавно провела демонстрацию, ключевым компонентом которой стал новый, самый быстрый и самый мощный в мире оптический нейроморфный процессор. Этот процессор, предназначенный для систем искусственного интеллекта, может обеспечивать производительность на уровне более 10 триллионов тензорных операций в секунду, чего достаточно для обработки в режиме реального времени очень и очень широких потоков данных. Данное достижение является "длинным прыжком вперед" в области нейронных сетей и нейроморфной обработки данных в целом.
Искусственные нейронные сети, на базе которых строятся практически все современные системы искусственного интеллекта, способны обучиться и эффективно выполнять тяжелые вычислительные задачи, связанные с машинным зрением, обработкой естественного языка, переводом речи с одного языка на другой, медицинской диагностикой и т.п. Структура искусственных нейронных практически скопирована со структуры зрительного участка коры головного мозга и, естественно, такие сети будут лучше и эффективней работать на аппаратных средствах, работающих на таких же принципах, как и головной мозг, т.е. на специализированных нейроморфных процессорах.
Созданный учеными оптический нейроморфный процессор демонстрирует в 1000 раз большую производительность, чем любой другой подобный процессор, созданный ранее. За счет этого он способен в режиме реального времени обрабатывать изображения с разрешающей способностью в 250 тысяч пикселей и выполнять задачу распознавания лиц, что было далеко за пределами возможностей других оптических процессоров.
Ключевыми компонентами, которые позволили получить потрясающую производительность нового процессора, являются так называемые оптические микрогребенки. Одна такая микрогребенка способна создать и манипулировать со светом, ширина полосы которого соответствует ширине полосы света, излученного сотнями инфроакрасных лазеров. Это, в свою очередь, позволяет при помощи одной микрогребенки передавать и кодировать данные, используя одновременно временное, частотное, амплитудное и пространственное модулирование и мультиплексирование.
На свете существуют электронные нейроморфные процессоры, такие, как Google TPU, обеспечивающие производительность в 100 TeraOPs/s. Однако, такая производительность достигается за счет параллельной работы тысяч специализированных микропроцессоров. В новом же оптическом нейроморфном процессоре его производительность в 11 TeraOPs/s была достигнута при использовании одного единственного процессора.
"Наш процессор способен стать своего рода "универсальным фронтэндом" с высокой пропускной способностью для любой нейроморфной вычислительной системы - электронной или оптической" - пишут исследователи, - "Он может обеспечить очень быстрое обучение системы на огромных наборах данных, а затем и работу системы в режиме реального времени, выполняя самые тяжелые из задач, для которых сейчас используется искусственный интеллект".
Исследование: https://www.nature.com/articles/s41586-020-03063-0 Открыть/Комментировать