AI для самых маленьких

2018-09-07 12:02:49 Простите, что так долго не писал. Только начинаю входить в ритм учебного года. В будущем постараюсь делать посты чаще. А тема сегодняшнего поста

Искусственный интеллект не может создать шедевр?

1. Последний писк моды в мире AI это генеративные нейронные сети (GAN). Их фишка в том, что умеют сами генерировать рисунки, музыку, стихи и т.д.

2. Правда, этой технологии ещё есть куда развиваться.
Вот, взгляните на эту демку. Здесь GAN генерирует картинки по текстовому их описанию. Выглядит это немного крипово, но местами логика прослеживается. Можете перейти по ссылке и сами попробовать с ней поиграться. Осторожно! Это залипательно
http://t2i.cvalenzuelab.com/

3. А вот пример генеративной нейронной сети, которая может создавать полноценные осмысленные картины. Парни из Франции запилили нейронку, которая сгенерировала им портреты целой династии несуществующих людей из 14-19 века. Как ни странно, эти картины даже продаются за немалые деньги. Их первый портрет ушел к парижскому коллекционеру за 10 000 евро, но цены скорее всего будут расти. Вот оно - современное искусство.
Заменит ли эта технология художников? Не думаю. Но французские программисты уже придумали этому направлению искусства специальное название - GAN-ism.

http://time.com/5357221/obvious-artificial-intelligence-art/

4. Как это работает?

В данном случае французы скачали фотографии 15 000 портретов 14-19 века из онлайн энциклопедии и скормили их алгоритму GAN.

Этот алгоритм состоит из двух частей (обучения двух отдельных нейронных сетей): нейронки-генератора и нейронки-дискриминатора. Сначала дискриминатор учится понимать, что такое портрет и как его рисовать, осознает, что у людей есть глаза, рот, нос и т.д. Ему показывают картинки портретов и “не портретов” и учат отличать одно от другого (обычная банальная классификация).

После того, как дискриминатор обучен, переходим ко второму этапу - непосредственно к обучению генеративной нейронки. Вторая нейронка-генератор пытается нарисовать картинки, похожие на реальные портреты. Эти сгенерированные “портреты” мы по очереди показываем нейронке-дискриминатору. Если дискриминатор считает, что это “не портрет”, то мы продолжаем генерировать новые картинки пока дискриминатор не решит, что очередная сгенерированная картинка - настоящий портрет. Открыть/Комментировать

2018-08-27 12:16:09 Почему Facebook смог добиться таких успехов?

1. Потому что он знает о вас все: он читает ваши посты и разбирается в ваших интересах, а значит он показывает вам рекламу, на которую клюнете именно вы. Но как это работает? Что же такого революционного сделал Facebook, что у него вдруг резко увеличилась прибыль ? Тут не обошлось без новых алгоритмов машинного обучения.

2. Умные алгоритмы Facebook анализируют все доступные вам посты и формируют вашу персональную ленту на основе ваших предпочтений.

Социальная сеть берет во внимание множество факторов: о чем были посты, которые вы шейрили друзьям и постили у себя на странице, ваш возраст, ваши лайки и подписки, даже контент, который потребляют ваши друзья. На основе этих данных машина подбирает посты по схожей тематике, которые должны заинтересовать вас больше всего и отправляют прямо на первые места в ленте.

3. Но при подборе постов Facebook обращает внимание не только на информацию о нас с вами. Также приоритетность поста в ленте определяют его личные характеристики.
Так как же сделать свой пост самым интересным для пользователя по меркам алгоритмов Facebook?

4. Новый алгоритм использует те характеристики, которые поощряют активное взаимодействие. Это комментарии, лайки и репосты
Также у ФБ теперь в приоритете посты от родственников и друзей пользователя, потому что такие с большей вероятностью будут распространяться и обсуждаться в комментариях.

5. Тогда возникает мысль "ну тогда буду клянчить лайки, умышленно создавать активность в комментариях и тд“. Но здесь тоже на помощь приходит искусственный интеллект, который сам умеет определять призывы комментить, лайкать и репостить, которые наоборот будут понижать степень важности вашего поста.

Вывод

Опыт Facebook показывает, что современные технологии + правильные данные = огромный успех в цифровой рекламе.

Eсли хотите рекламироваться через Facebook и Instagram максимально эффективно, делайте контент, которым люди захотят делиться, который они захотят обсуждать.

И главное помните - если знаете, как работает технология, то вы можете извлечь из нее максимальную пользу Открыть/Комментировать

2018-08-27 12:16:08 #Новость

Недавно Facebook объявили, что во втором квартале этого года они заработали $13.2 млрд, что на 42% больше, чем за тот же период в прошлом году, за счет новых алгоримов машинного обучения. Также стало известно, что общая прибыль компании в 2017 составила $40 млрд, из которых $39.9 млрд– это прибыль от цифровых рекламных объявлений.

https://www.investopedia.com/ask/answers/120114/how-does-facebook-fb-make-money.asp Открыть/Комментировать

2018-08-25 11:54:03 У меня часто спрашивают: «Вот ты учишь математику, а толку? Что оно тебе даст?». «Я занимаюсь наукой о данных и машинным обучением, мне это нужно»-отвечаю я. И тут же следующий вопрос «Зачем?»
Этому вопросу я и посвящаю этот пост.
(Далее наука о данных - data science, машинное обучение - machine learning )

1. Почему изучать искусственный интеллект, data science и machine learning это круто и прикольно? А самое главное – где и как мы можем это использовать.

Я уверен, что каждый из нас в детстве восхищался Шерлоком Холмсом. Он мог рассказать биографию человека, просто взглянув на него, проанализировав походку, потертость пиджака, запах духов, он знал все обо всех вокруг. Хотели бы уметь так же? А вот аналитики, которые собирают данные о нас с вами, умеют!

2. Да, да, аналитика часто очень похожа на метод дедукции и опирается она на чистую математику и данные, которые мы можем собрать.
Хочешь знать обо всем больше, чем другие? Учи математику! Хочешь предсказывать будущее? Учи математику! Хочешь быть почти волшебником? Учи математику!

3. Окей, вот есть у тебя в руках такой магический инструмент, а куда его прикладывать, где, собственно, эту магию применять? Да везде!

Хотите знать, кто выиграет матч по футболу? Проанализируй данные с предыдущих матчей и сможешь оценить вероятность победы каждой команды! Делайте ставки и гребите деньги лопатой.

Ты фермер и задолбался сортировать огурцы? Машинное видение в помощь! Пусть роботизированная рука с камерой делает это вместо тебя.

Помните, вас просили заполнить анкету, чтобы получить скидочную карточку? Это не просто так! Ваши данные используют, чтобы лучше знать, что вам рекламировать!

Распознавание голоса? Фоток? Видео? А может быть вы хотите научить компьютер разговаривать с вами или генерировать картинки по их описанию? Специалисты в machine learning уже делают это!

Вывод

Да, кажется, что математики сейчас управляют миром вокруг нас. Так вот не кажется!

Так что я решил развивать канал именно в этом направлении, и в следующих постах показывать, как же на практике применять ту математику, которую мы с вами будем учить

Получили свою дозу мотивации?)
Тогда собираем 30 пальцев вверх и в следующих постах мы расскажем, как компании угадывают наши желания, чтобы зарабатывать на нас больше денег Открыть/Комментировать

2018-08-15 20:01:05 Ответ: И одного, и другого

Да, это был вопрос с подвохом, но вы привыкайте) Сейчас разберемся, почему эти данные подходят и для линейной, и для логистической регрессии, и в каких случаях используется каждая из них.

https://telegra.ph/Otvet-na-vopros-Regressii-08-15-3 Открыть/Комментировать

2018-08-14 12:00:50 ​Вопрос для закрепления знаний из двух предыдущих статей. Красные кружочки – класс А. Синие квадратики – класс Б. Эти данные хорошо подходят для?
1) Линейной регрессии
2) Логистической регрессии
3) И одного, и другого
4) Ни одного, ни другого Открыть/Комментировать

2018-08-12 19:39:37 В этой статье мы поговорим подробнее о классификаторах, а именно о логистической регресси и разберемся, как можно научиться предсказывать классы исходя из уже имеющихся данных
https://telegra.ph/Pogovorim-o-klassifikacii-08-12-4 Открыть/Комментировать

2018-08-10 12:46:47 В этой статье мы разберемся для чего используют регрессию, в чем ее смысл, и почему машина в этом деле обходит человека.
http://telegra.ph/Regressiya-i-s-chem-ee-edyat-08-10 Открыть/Комментировать

2018-08-08 22:37:41 #вопрос #обучение_с_учителем #ответ

Вопрос 1

Ответ - регрессия, поскольку модель предсказывает вес ребенка. Вес - вещественное число. Значит такая модель - регрессор.

Вопрос 2

Ответ - классификация, поскольку модель предсказывает класс комментария. Эмоция - название - класс. Значит такая модель - классификатор. Открыть/Комментировать

2018-08-07 23:27:22 #вопрос #обучение_с_учителем

Мы пытаемся обучить модель машинного обучения понимать, комментарий к видео на Ютубе позитивный или негативный. Эта модель регрессор или классификатор ?

Правильный ответ будет размещён через 24 часа Открыть/Комментировать