Entre em contato

Inteligência artificial

O crescimento futuro da IA ​​e ML

Avatar

Publicados

on

O futuro crescimento da IA ​​e ML

By Rachel Roumeliotis

Todos nós aceitamos o fato de que a inteligência artificial (IA) está transformando a forma como as empresas operam e o quanto ela pode ajudar uma empresa a longo prazo. Nos últimos anos, esse entendimento gerou um aumento nas empresas que experimentam e avaliam tecnologias de IA e que agora as estão usando especificamente em implantações de produção.

Claro, quando as organizações adotam novas tecnologias, como IA e aprendizado de máquina (ML), elas gradualmente começam a considerar como novas áreas podem ser afetadas pela tecnologia. Isso pode abranger vários setores, incluindo produção e logística, manufatura, TI e atendimento ao cliente. Uma vez que o uso de técnicas de IA e ML se torne enraizado em como as empresas funcionam e nas diferentes maneiras em que podem ser usadas, as organizações serão capazes de adquirir novos conhecimentos que as ajudarão a se adaptar às necessidades em evolução.

Ao mergulhar na plataforma de aprendizagem da O'Reilly, uma variedade de informações sobre as diferentes tendências e tópicos que os líderes de tecnologia e negócios precisam saber podem ser descobertos. Isso permitirá que eles entendam melhor seu trabalho e garantirá que seus negócios continuem a prosperar.

Nos últimos meses, analisamos o uso da plataforma pelo usuário e descobrimos os tópicos mais populares e pesquisados ​​em IA e ML. Exploraremos algumas das descobertas mais importantes abaixo, que nos dão uma imagem mais ampla de onde está o estado da IA ​​e do ML e, em última análise, para onde está indo.

IA ultrapassando o crescimento em ML

Em primeiro lugar, nossa análise mostrou como o interesse pela IA continua a crescer. Ao comparar 2018 com 2019, o envolvimento em IA aumentou 58% - ultrapassando em muito o crescimento no tópico de aprendizado de máquina muito maior, que aumentou apenas 5% em 2019. Ao agregar todos os tópicos de IA e ML, isso representa quase 5% de todo o uso atividade na plataforma.

Embora isso seja apenas um pouco menos do que tópicos bem estabelecidos de alto nível, como engenharia de dados (8% da atividade de uso) e ciência de dados (5% da atividade de uso), o interesse por esses tópicos cresceu 50% mais rápido do que a ciência de dados. A engenharia de dados, na verdade, diminuiu cerca de 8% ao longo do mesmo tempo, devido ao declínio no envolvimento com tópicos de gerenciamento de dados.

Também descobrimos os primeiros sinais de que as organizações estão experimentando ferramentas e métodos avançados. De nossas descobertas, o envolvimento em conteúdo de aprendizagem não supervisionado é provavelmente uma das mais interessantes. No aprendizado não supervisionado, um algoritmo de IA é treinado para procurar padrões previamente não detectados em um conjunto de dados sem rótulos ou classificação pré-existentes com supervisão ou orientação humana mínima. Em 2018, o uso de tópicos de aprendizagem não supervisionados cresceu 53% e 172% em 2019.

Mas o que está impulsionando esse crescimento? Embora os nomes de seus métodos (agrupamento e associação) e seus aplicativos (redes neurais) sejam familiares, o aprendizado não supervisionado não é tão bem compreendido quanto sua contraparte de aprendizado supervisionado, que serve como estratégia padrão para ML para a maioria das pessoas e casos de uso .

Esse aumento na atividade de aprendizagem não supervisionada provavelmente é motivado pela falta de familiaridade com o próprio termo, bem como com seus usos, benefícios e requisitos por usuários mais sofisticados que se deparam com casos de uso que não são facilmente resolvidos com métodos supervisionados.

Também é provável que o sucesso visível da aprendizagem não supervisionada em redes neurais e aprendizagem profunda tenha ajudado nosso interesse, assim como a diversidade de ferramentas de código aberto, bibliotecas e tutoriais que oferecem suporte à aprendizagem não supervisionada.

Uma Ressurreição de Aprendizado Profundo

Embora o aprendizado profundo tenha esfriado um pouco em 2019, ele ainda era responsável por 22% de todo o uso de IA e ML. Também suspeitamos que seu sucesso ajudou a estimular a ressurreição de várias outras ideias abandonadas ou negligenciadas. O maior exemplo disso é o aprendizado por reforço. Este tópico experimentou um crescimento exponencial, crescendo mais de 1,500% desde 2017.

Mesmo com as taxas de engajamento caindo 10% em 2019, o aprendizado profundo em si é um dos métodos de ML mais populares entre as empresas que estão avaliando IA, com muitas empresas escolhendo a técnica para dar suporte aos casos de uso de produção. Pode ser que o envolvimento com tópicos de aprendizagem profunda tenha estagnado porque a maioria das pessoas já está ativamente envolvida com a tecnologia, o que significa que o crescimento pode diminuir.

O processamento de linguagem natural é outro tópico que tem apresentado crescimento consistente. Embora sua taxa de crescimento não seja enorme - cresceu 15% em 2018 e 9% em 2019 - o processamento de linguagem natural é responsável por cerca de 12% de todo o uso de IA e ML em nossa plataforma. Isso é cerca de 6x a parcela de aprendizado não supervisionado e 5x a parcela de uso de aprendizado por reforço, apesar do crescimento significativo que esses dois tópicos experimentaram nos últimos dois anos.

Nem todos os métodos de AI / ML são tratados igualmente. Por exemplo, o interesse em chatbots parece estar diminuindo, com envolvimento diminuindo 17% em 2018 e 34% em 2019. Isso provavelmente ocorre porque os chatbots foram uma das primeiras aplicações de IA e provavelmente é um reflexo da maturidade relativa de seu inscrição.

O crescente envolvimento na aprendizagem não supervisionada e na aprendizagem por reforço demonstra que as organizações estão experimentando ferramentas e métodos analíticos avançados. Essas ferramentas e técnicas abrem novos casos de uso para as empresas experimentarem e se beneficiarem, incluindo suporte à decisão, jogos interativos e mecanismos de recomendação de varejo em tempo real. Podemos apenas imaginar que as organizações continuarão a usar IA e ML para resolver problemas, aumentar a produtividade, acelerar processos e fornecer novos produtos e serviços.

Conforme as organizações adotam tecnologias analíticas, elas estão descobrindo mais sobre si mesmas e seus mundos. A adoção do ML, em particular, leva as pessoas em todos os níveis de uma organização a começar a fazer perguntas que desafiam o que uma organização pensa que sabe sobre si mesma.

Com ML e IA, estamos treinando máquinas para trazer à tona novos objetos de conhecimento que nos ajudam enquanto aprendemos a fazer perguntas novas, diferentes e às vezes difíceis sobre nós mesmos. Ao que tudo indica, parece que estamos tendo algum sucesso com isso. Quem sabe o que o futuro reserva, mas à medida que as tecnologias se tornam mais inteligentes, não há dúvida de que nos tornaremos mais dependentes.

Fonte: https://www.fintechnews.org/the-future-growth-of-ai-and-ml/

AI

Serviço de verificação de ID digital IDnow adquire identidade Trust Management AG, um provedor global de software de ID da Alemanha

Avatar

Publicados

on

IDnow, um provedor de verificação de identidade como serviço soluções, estaremos adquirindo Gestão de confiança de identidade, um fornecedor global de software de verificação de identidade digital e offline da Alemanha.

A IDnow confirmou que continuará a manter a identidade da Trust Management na localização de Düsseldorf e também manterá seus funcionários.

O aquisição of Identity Trust Management deve ajudar a IDnow a expandir-se ainda mais para novos setores, ao mesmo tempo que oferece seus serviços a uma base de clientes maior e potencialmente mais diversificada na Alemanha e em outras áreas.

O portfólio de produtos combinados terá como objetivo fornecer métodos abrangentes de verificação de identidade, variando de automatizado a assistido por humanos e de ser puramente online a ponto de venda. Todos esses métodos de verificação de ID estarão acessíveis por meio da plataforma IDnow.

A Identity Trust Management estabeleceu suas operações na indústria de identidade da Alemanha durante os últimos 10 anos, com uma sólida reputação e carteira de clientes focada em telecomunicações e serviços de seguros.

Andreas Bodczek, CEO na IDnow, afirmou:

“Identity Trust Management AG construiu uma empresa impressionante em termos de portfólio de produtos e relacionamento com o cliente. Conhecemos a equipe de liderança há anos e estabelecemos uma parceria baseada em uma profunda lealdade e compreensão mútua. Estamos entusiasmados em dar as boas-vindas à talentosa equipe da Identity Trust Management AG para a família IDnow e esperamos combinar os pontos fortes de ambas as empresas para criar uma marca unificada e líder de mercado. ”

Uwe Stelzig, CEO da identidade Trust Management AG, observou:

“Esta combinação une o poder da tecnologia inovadora da IDnow com o conjunto diversificado de recursos da Trust Management AG de identidade para criar uma plataforma de verificação de identidade diferenciada. Juntos, estaremos bem posicionados para alcançar nossa visão conjunta de fornecer aos clientes uma solução única e única para verificação de identidade. ”

Esta é a segunda aquisição da IDnow nos últimos 6 meses após a da Wirecard Communication Services em setembro do ano passado.

As coberto em dezembro de 2020, o Banco Europeu de Investimento (EIB) decidiu fornecer € 15 milhões de financiamento de crescimento para a plataforma de verificação de identidade com sede na Alemanha, IDnow. Fundada em 2014, a IDnow cobre uma ampla gama de casos de uso em setores regulamentados na Europa e para modelos de negócios digitais totalmente novos em todo o mundo.

A plataforma permite que o fluxo de identidade seja adaptado a diferentes requisitos regionais, legais e de negócios com base no caso de uso.

Conforme explicado pela equipe IDnow:

“O IDnow usa Inteligência Artificial para verificar todos os recursos de segurança em documentos de identidade e pode, portanto, identificar documentos falsificados de forma confiável. Potencialmente, as identidades de mais de 7 bilhões de clientes de 193 países diferentes podem ser verificadas em tempo real. Além da segurança, o foco está em uma aplicação descomplicada para o cliente. Alcançando cinco de cinco estrelas no portal de classificação de clientes Trustpilot, a tecnologia IDnow é particularmente fácil de usar. ”

Checkout PrimeXBT
Negocie com os Parceiros CFD Oficiais do AC Milan
A maneira mais fácil de negociar criptografia.
Fonte: https://www.crowdfundinsider.com/2021/03/172910-digital-id-verification-service-idnow-acquires-identity-trust-management-ag-a-global-provider-of-id-software- da Alemanha/

Leia mais

AI

Como o aprendizado de máquina está sendo aplicado ao desenvolvimento de software

Avatar

Publicados

on

Foto do perfil do autor

Quando Elon Musk propôs a ideia de veículos autônomos, todos presumiram que fosse um sonho hipotético e nunca o levaram a sério. No entanto, os mesmos veículos estão agora nas estradas, sendo um dos carros mais vendidos nos Estados Unidos.

Os aplicativos de inteligência artificial e aprendizado de máquina são visíveis em todas as áreas, desde o Google Fotos em seu smartphone até o Alexa da Amazon em sua casa, e o desenvolvimento de software não é exceção. A IA já mudou a maneira como os desenvolvedores de aplicativos iOS e Android trabalham.

O aprendizado de máquina pode aprimorar a forma como um ciclo de desenvolvimento de software tradicional funciona. Ele permite que um computador aprenda e se aprimore com as experiências sem a necessidade de programação. O único objetivo da IA ​​e do ML é permitir que os computadores aprendam automaticamente.

Além disso, sendo um desenvolvedor de software, você pode precisar especificar detalhes minuciosos para que seu computador saiba o que ele deve fazer. O desenvolvimento de software integrado ao aprendizado de máquina pode ajudar você a fazer uma diferença significativa em sua experiência de desenvolvimento.

Machine Intelligence é a última invenção que a humanidade precisará fazer!

Quando se trata de como o aprendizado de máquina e a IA ajudam os desenvolvedores, só o céu é o limite. De forma ainda mais ampla, a IA sempre transformou todos os setores em que entrou. Aqui está um resumo rápido de estatísticas que transmitem o mesmo:

Como os números declararam, a inteligência artificial e o aprendizado de máquina certamente estão transformando o mundo, e a indústria de desenvolvimento não é exceção. Vamos dar uma olhada em como ele pode ajudá-lo a escrever código perfeito, implantar e corrigir bugs.

IA e ML no desenvolvimento - como isso beneficia os desenvolvedores de software?

Se você é uma pessoa que trabalha como desenvolvedor de aplicativos Android ou alguém que escreve códigos para viver, você deve estar se perguntando o que a IA oferece para você. Veja como os desenvolvedores podem aproveitar os recursos de aprendizado de máquina e IA:

1. Implementação controlada do código

As tecnologias de IA e de aprendizado de máquina ajudam a aumentar a eficiência das atividades de implantação de código exigidas no desenvolvimento. No espectro de desenvolvimento, os mecanismos de implantação incluem uma fase de desenvolvimento em que você precisa atualizar seus programas e aplicativos para uma versão mais recente.

No entanto, se você não conseguir executar o processo adequadamente, terá que enfrentar vários riscos, incluindo a corrupção do software ou do aplicativo. Com a ajuda da IA, você pode evitar facilmente essas vulnerabilidades e atualizar seu código com facilidade.

2. Identificação de bugs e erros

Com os avanços em inteligência artificial, a experiência de codificação está ficando ainda melhor e aprimorada. Ele permite que os desenvolvedores identifiquem facilmente os bugs em seu código e os corrijam instantaneamente. Eles não precisam mais ler seu código, repetidamente, para encontrar possíveis falhas em seu código.

Vários algoritmos de aprendizado de máquina podem testar automaticamente seu software e sugerir alterações.

As ferramentas de teste com tecnologia de IA certamente economizam muito tempo para os desenvolvedores e os ajudam a entregar seus projetos com mais rapidez.

3. Armazenamento seguro de dados

Com a transferência cada vez maior de dados de várias redes, os especialistas em segurança cibernética costumam achar complexo e opressor monitorar todas as atividades que ocorrem na rede. Devido a isso, pode haver uma ameaça ou violação que pode passar despercebida, sem produzir nenhum alerta.

No entanto, com os recursos de inteligência artificial, você pode evitar problemas como avisos atrasados ​​e ser notificado sobre bugs em seu código o mais rápido possível. Essas ferramentas reduzem gradualmente o tempo que uma empresa leva para ser notificada sobre uma violação.

4. Tomada de decisão estratégica e prototipagem 

É um hábito de um desenvolvedor percorrer uma lista extensa e interminável do que precisa ser incluído em um projeto ou código que está fazendo. No entanto, as soluções tecnológicas impulsionadas pelo aprendizado de máquina e IA são capazes de analisar e avaliar o desempenho dos aplicativos existentes.

Com a ajuda dessa tecnologia, os líderes de negócios e engenheiros podem trabalhar em uma solução que reduza o risco e maximize o impacto. Usando linguagem natural e interfaces visuais, os especialistas em domínio técnico podem desenvolver tecnologias com mais rapidez.

5. Aprimoramento de habilidades

Para continuar evoluindo com a tecnologia que está por vir, você precisa evoluir com o avanço da tecnologia. Para os caloiros e jovens desenvolvedores, as ferramentas baseadas em IA os ajudam a colaborar em vários programas de software e compartilhar ideias com outros membros da equipe e idosos para aprender mais sobre a linguagem de programação e o software.

Palavras de despedida

Embora o aprendizado de máquina e a IA simplifiquem várias tarefas e atividades relacionadas ao desenvolvimento de software, isso não significa que testadores e desenvolvedores perderão seus empregos. Um desenvolvedor de aplicativos Android contratado ainda escreverá códigos em um ambiente mais rápido, melhor e mais eficiente, com suporte de IA e aprendizado de máquina.

Identificações

Junte-se ao Hacker Noon

Crie sua conta gratuita para desbloquear sua experiência de leitura personalizada.

Checkout PrimeXBT
Negocie com os Parceiros CFD Oficiais do AC Milan
A maneira mais fácil de negociar criptografia.
Fonte: https://hackernoon.com/how-machine-learning-and-ai-are-helping-developers-6g2s33w6?source=rss

Leia mais

Inteligência artificial

Transformadores Adversariais Generativos: Usando GANsformers para Gerar Cenas

Avatar

Publicados

on

Foto do perfil do autor

@whatsaiLouis Bouchard

Eu explico os termos e notícias da Inteligência Artificial para não especialistas.

Eles basicamente alavancam o mecanismo de atenção dos transformadores na poderosa arquitetura StyleGAN2 para torná-la ainda mais poderosa!

Assista o vídeo:

Capítulos:
0:00Ei! Toque no botão Polegar para cima e Inscreva-se. Você aprenderá muitas coisas legais, eu prometo.
0:24Tradução de texto para imagem
0:51Exemplos
5:50Conclusão

Referências

Papel: https://arxiv.org/pdf/2103.01209.pdf
Código : https://github.com/dorarad/gansformer
Referência completa:
Drew A. Hudson e C. Lawrence Zitnick, Generative Adversarial Transformers, (2021), publicado em Arxiv., Resumo:

“Apresentamos o GANsformer, um novo e eficiente tipo de transformador, e o exploramos para a tarefa de modelagem geradora visual. A rede emprega uma estrutura bipartida que permite interações de longo alcance em toda a imagem, enquanto mantém a computação de eficiência linear, que pode ser facilmente escalonada para uma síntese de alta resolução. Ele propaga iterativamente informações de um conjunto de variáveis ​​latentes para os recursos visuais em evolução e vice-versa, para apoiar o refinamento de cada um à luz do outro e encorajar o surgimento de representações composicionais de objetos e cenas. Em contraste com a arquitetura clássica do transformador, ele utiliza integração multiplicativa que permite uma modulação flexível baseada na região e, portanto, pode ser visto como uma generalização da rede StyleGAN de sucesso. Demonstramos a força e a robustez do modelo por meio de uma avaliação cuidadosa de uma gama de conjuntos de dados, de ambientes simulados de vários objetos a ricas cenas internas e externas do mundo real, mostrando que ele atinge resultados de ponta em termos de qualidade e diversidade de imagem enquanto aproveita o aprendizado rápido e melhor eficiência de dados. Outros experimentos qualitativos e quantitativos nos oferecem uma visão do funcionamento interno do modelo, revelando melhor interpretabilidade e maior desemaranhamento, e ilustrando os benefícios e a eficácia de nossa abordagem. Uma implementação do modelo está disponível em https://github.com/dorarad/gansformer.

Transcrição de vídeo

Observação: esta transcrição é gerada automaticamente pelo Youtube e pode não ser totalmente precisa.

00:00

os transformadores basicamente alavancados

00:02

mecanismo de atenção na estatística poderosa

00:04

arquitetura gun 2 para torná-lo ainda mais

00:06

poderoso

00:10

[Música]

00:14

isso é o que ai e eu compartilhamos artificial

00:16

notícias de inteligência todas as semanas

00:18

se você é novo no canal e gostaria

00:19

gostaria de se manter atualizado, por favor, considere

00:21

inscrevendo-se para não perder mais nenhuma notícia

00:24

semana passada nós olhamos o dali openai's

00:27

papel mais recente

00:28

ele usa uma arquitetura semelhante ao gpt3

00:31

envolvendo transformadores para gerar um

00:33

imagem do texto

00:35

este é um super interessante e complexo

00:37

tarefa chamada

00:38

tradução de texto para imagem como você pode ver

00:41

novamente aqui os resultados foram surpreendentemente

00:43

bom comparado ao anterior

00:45

técnicas de ponta, isso é

00:47

principalmente devido ao uso de transformadores

00:49

e uma grande quantidade de dados esta semana nós

00:52

vai olhar para uma tarefa muito semelhante

00:54

chamado de modelagem visual generativa, onde

00:56

o objetivo é gerar um

00:58

cena completa em alta resolução tal

01:00

como uma estrada ou um quarto

01:02

ao invés de um único rosto ou um específico

01:04

objeto, isso é diferente de Deli

01:06

já que não estamos gerando a cena

01:08

de um texto, mas de um modelo treinado

01:10

em um estilo específico de cenas que é um

01:13

quarto neste caso

01:14

ao contrário, é como uma arma de estilo que é

01:17

capaz de gerar únicos e não existentes

01:19

faces humanas

01:20

sendo treinado em um conjunto de dados reais

01:22

rostos

01:24

a diferença é que ele usa este gan

01:26

arquitetura em um gerador tradicional

01:28

e forma discriminativa

01:29

com redes neurais convolucionais a

01:32

arquitetura de arma clássica terá um

01:34

gerador

01:35

treinado para gerar a imagem e um

01:36

discriminador

01:38

usado para medir a qualidade do

01:40

imagens geradas

01:41

adivinhando se é uma imagem real chegando

01:43

do conjunto de dados

01:44

ou uma imagem falsa gerada pelo

01:46

gerador

01:48

ambas as redes são normalmente compostas de

01:50

redes neurais convolucionais onde o

01:52

gerador

01:53

parece que isto é composto principalmente de penugem

01:56

amostragem da imagem usando convoluções para

01:58

codifique-o

01:59

e então mostra a imagem novamente

02:02

usando convoluções para gerar um novo

02:04

versão

02:05

da imagem com o mesmo estilo baseado

02:07

na codificação

02:08

é por isso que é chamado de arma de estilo, então

02:12

o discriminador leva o gerado

02:14

imagem ou

02:15

uma imagem do seu conjunto de dados e tenta

02:17

descobrir se é real ou

02:18

gerado

02:19

chamados de falsos em vez disso,

02:22

transformadores mecanismo de atenção

02:24

dentro do poderoso stargane 2

02:26

arquitetura para fazer isso

02:27

atenção ainda mais poderosa é um

02:30

característica essencial desta rede

02:32

permitindo que a rede desenhe global

02:34

dependências entre

02:36

entrada e saída, neste caso, é

02:39

entre a entrada na etapa atual de

02:41

a arquitetura

02:42

e o código latente previamente codificado

02:44

como veremos em um minuto

02:46

antes de mergulhar nisso, se você não é

02:48

familiarizado com transformadores ou atenção

02:50

eu sugiro que você assista ao vídeo que eu fiz

02:52

sobre transformadores

02:54

para mais detalhes e um melhor

02:55

compreensão da atenção

02:57

você definitivamente deveria dar uma olhada no

02:58

a atenção do vídeo é tudo que você precisa

03:01

de um colega youtuber e inspiração

03:03

meu Janik

03:04

kilter cobrindo este papel incrível

03:07

bem

03:07

então sabemos que eles usam transformadores

03:09

e armas juntas para gerar melhor e

03:12

cenas mais realistas

03:13

explicando o nome deste papel

03:15

transformadores

03:17

mas por que e como eles fizeram isso exatamente

03:20

quanto a eles, eles fizeram isso para gerar

03:22

cenas complexas e realistas

03:24

como este automaticamente, isso poderia

03:26

ser um aplicativo poderoso para muitos

03:28

setores como filmes ou videogames

03:30

exigindo muito menos tempo e esforço

03:33

do que ter um

03:34

artista criá-los em um computador ou até mesmo

03:36

torná-los

03:37

na vida real para tirar uma foto disso

03:40

tb

03:40

imagine o quão útil pode ser para

03:42

designers quando combinados com texto para

03:44

tradução de imagem gerando muitos

03:46

cenas diferentes de um único texto

03:48

entrada

03:48

e pressionando um botão aleatório, eles usam um

03:51

arquitetura de armas de última geração

03:53

porque as armas são geradores poderosos

03:55

quando falamos sobre a imagem geral

03:58

porque as armas funcionam usando convolucionais

04:00

redes neurais

04:01

eles são por natureza usando locais

04:03

informação dos pixels

04:05

fundi-los para acabar com o geral

04:07

informações sobre a imagem

04:09

perdendo o longo alcance

04:11

interação do pixel distante

04:13

pela mesma razão, isso faz com que as armas

04:15

sejam geradores poderosos para o geral

04:18

estilo da imagem

04:19

ainda são muito menos poderosos

04:21

em relação à qualidade do pequeno

04:23

detalhes na imagem gerada

04:25

pela mesma razão ser incapaz de

04:27

controlar o estilo das regiões localizadas

04:30

dentro da própria imagem gerada esta

04:33

é por isso que eles tiveram a ideia de combinar

04:34

transformadores e gans em um

04:36

arquitetura que eles chamavam

04:38

transformador bipartido como gpt3 e muitos

04:41

outros papéis já provaram transformadores

04:44

são poderosos para interações de longo alcance

04:46

desenhar dependências entre eles e

04:48

compreender o contexto do texto

04:50

ou imagens, podemos ver que isso simplesmente

04:53

adicionaram camadas de atenção

04:54

que é a base do transformador

04:56

rede entre o convolucional

04:58

camadas do gerador e

05:00

discriminador

05:01

portanto, em vez de focar em usar

05:03

informação global e controle

05:05

todos os recursos globalmente como as convoluções fazem

05:07

por natureza

05:08

eles usam essa atenção para propagar

05:10

informações dos pixels locais para o

05:12

representação global de alto nível

05:14

e vice-versa como outros transformadores

05:17

aplicado a imagens

05:18

esta camada de atenção leva o pixel

05:20

posição e estilo de arma para latente

05:23

espaços w

05:24

e z o espaço latente w é uma codificação

05:27

da entrada em um latente intermediário

05:30

espaço

05:30

feito no inicio da rede

05:32

denotado aqui

05:34

por enquanto, a codificação z é apenas a

05:37

características resultantes da entrada no

05:39

etapa atual da rede

05:40

isso torna a geração muito mais

05:42

expressivo em toda a imagem

05:44

especialmente na geração de imagens

05:46

retratando múltiplos objetos

05:48

cenas que é o objetivo deste artigo

05:51

claro que esta foi apenas uma visão geral de

05:53

este novo artigo do facebook ai research

05:55

e universidade de Stanford

05:57

eu recomendo fortemente a leitura do jornal

05:59

para ter uma melhor compreensão disso

06:00

abordagem é o primeiro link no

06:02

descrição abaixo

06:03

o código também está disponível e vinculado em

06:05

a descrição também

06:07

se você foi tão longe no vídeo por favor

06:08

considere deixar um gosto

06:10

e comentando seus pensamentos eu irei

06:12

definitivamente leia e responda a você

06:14

e uma vez que ainda há mais de 80 por cento

06:16

de vocês que ainda não estão inscritos

06:18

por favor, considere clicar aqui gratuitamente

06:20

botão de inscrição

06:21

para não perder mais nenhuma notícia claramente

06:23

explicado

06:24

obrigado por assistir

06:33

[Música]

Foto do perfil do autor

Leia minhas histórias

Eu explico os termos e notícias da Inteligência Artificial para não especialistas.

Identificações

Junte-se ao Hacker Noon

Crie sua conta gratuita para desbloquear sua experiência de leitura personalizada.

Checkout PrimeXBT
Negocie com os Parceiros CFD Oficiais do AC Milan
A maneira mais fácil de negociar criptografia.
Fonte: https://hackernoon.com/generative-adversarial-transformers-using-gansformers-to-generate-scenes-013d33h4?source=rss

Leia mais

Inteligência artificial

Como aprenderia ciência de dados se começasse tudo de novo

Avatar

Publicados

on

Foto do perfil do autor

@SantiviquezSantiago Víquez

Físico que virou cientista de dados. Criador de datasciencetrivia.com

Alguns dias atrás, comecei a pensar se tivesse que começar a aprender o aprendizado de máquina e a ciência de dados novamente, por onde eu começaria? O engraçado é que o caminho que imaginei era completamente diferente daquele que eu realmente fiz quando estava começando.

Estou ciente de que todos nós aprendemos de maneiras diferentes. Alguns preferem vídeos, outros aceitam apenas livros e muita gente precisa pagar um curso para sentir mais pressão. E tudo bem, o importante é aprender e curtir.

Portanto, falando de minha própria perspectiva e sabendo como aprendo melhor, projetei esse caminho se tivesse que começar a aprender Data Science novamente.

Como você verá, minha maneira favorita de aprender é ir do simples ao complexo gradualmente. Isso significa começar com exemplos práticos e, em seguida, passar para conceitos mais abstratos.

Microcursos Kaggle

Eu sei que pode ser estranho começar aqui, muitos preferem começar com os fundamentos mais pesados ​​e vídeos de matemática para entender completamente o que está acontecendo por trás de cada modelo de ML. Mas, da minha perspectiva, começar com algo prático e concreto ajuda a ter uma visão melhor de todo o quadro.

Além disso, esses micro-cursos levam cerca de 4 horas / cada para serem concluídos, portanto, cumprir esses pequenos objetivos antecipadamente adiciona um impulso motivacional extra.

Microcurso Kaggle: Python

Se você estiver familiarizado com Python, pode pular esta parte. Aqui, você aprenderá os conceitos básicos do Python que o ajudarão a começar a aprender ciência de dados. Haverá muitas coisas sobre Python que ainda serão um mistério. Mas, à medida que avançamos, você aprenderá com a prática.

link: https://www.kaggle.com/learn/python

Preço: Grátis

Microcurso Kaggle: Pandas

O Pandas nos dará as habilidades para começar a manipular dados em Python. Considero que um micro-curso de 4 horas e exemplos práticos é o suficiente para se ter noção do que pode ser feito.

link: https://www.kaggle.com/learn/pandas

Preço: Grátis

Microcurso Kaggle: Visualização de dados

A visualização de dados é talvez uma das habilidades mais subestimadas, mas é uma das mais importantes de se ter. Isso permitirá que você entenda completamente os dados com os quais trabalhará.

link: https://www.kaggle.com/learn/data-visualization

Preço: Grátis

Microcurso Kaggle: introdução ao aprendizado de máquina

É aqui que começa a parte emocionante. Você aprenderá conceitos básicos, mas muito importantes, para começar a treinar modelos de aprendizado de máquina. Conceitos que posteriormente serão essenciais para que sejam bem claros.

link: https://www.kaggle.com/learn/intro-to-machine-aprendizagem

Precio: grátis

Microcurso Kaggle: Aprendizado de máquina intermediário

Isso é complementar ao anterior, mas aqui você vai trabalhar com variáveis ​​categóricas pela primeira vez e lidar com campos nulos em seus dados.

link: https://www.kaggle.com/learn/intermediate-machine-learning

Preço: Grátis

Vamos parar aqui por um momento. Deve ficar claro que esses 5 micro-cursos não serão um processo linear, você provavelmente terá que ir e vir entre eles para atualizar os conceitos. Quando estiver trabalhando no Pandas, você pode ter que voltar ao curso Python para se lembrar de algumas das coisas que aprendeu ou ir para a documentação do pandas para entender as novas funções que você viu no curso de Introdução ao Aprendizado de Máquina. E tudo isso está bem, é aqui que o verdadeiro aprendizado vai acontecer.

Agora, se você perceber que esses 5 primeiros cursos lhe darão as habilidades necessárias para fazer análise exploratória de dados (EDA) e criar modelos de linha de base que mais tarde você poderá melhorar. Portanto, agora é o momento certo para começar com competições Kaggle simples e colocar em prática o que você aprendeu.

Competição Kaggle Playground: Titanic

Aqui você colocará em prática o que aprendeu nos cursos introdutórios. Talvez seja um pouco intimidante no começo, mas não importa, não é sobre ser o primeiro na tabela de classificação, é sobre aprender. Nesta competição, você aprenderá sobre classificação e métricas relevantes para esses tipos de problemas, como precisão, recall e exatidão.

link: https://www.kaggle.com/c/titanic

Competição Kaggle Playground: Preços de habitação

Nesta competição, você vai aplicar modelos de regressão e aprender sobre métricas relevantes, como RMSE.

link: https://www.kaggle.com/c/home-data-for-ml-course

A esta altura, você já tem muita experiência prática e sentirá que pode resolver muitos problemas, mas é provável que você não entenda completamente o que está acontecendo por trás de cada algoritmo de classificação e regressão que usou. Então é aqui que temos que estudar o fundações do que estamos aprendendo.

Muitos cursos começam aqui, mas pelo menos eu absorvo essas informações melhor depois de ter trabalhado em algo prático antes.

Livro: Data Science from Scratch

Neste ponto, nos separaremos momentaneamente do pandas, do scikit-learn e de outras bibliotecas Python para aprender de maneira prática o que está acontecendo “por trás” desses algoritmos.

Este livro é bastante amigável de se ler, traz exemplos em Python de cada um dos tópicos e não tem muita matemática pesada, o que é fundamental para esta etapa. Queremos entender o princípio dos algoritmos, mas com uma perspectiva prática, não queremos ser desmotivados pela leitura de muitas notações matemáticas densas.

link: Amazon

Preço: $ 26 aprox

Se você chegou até aqui, eu diria que você é perfeitamente capaz de trabalhar com ciência de dados e entender os princípios fundamentais por trás das soluções. Então aqui eu o convido a continuar participando de competições Kaggle mais complexas, se envolver nos fóruns e explorar novos métodos que você encontra nas soluções de outros participantes.

Curso Online: Aprendizado de Máquina por Andrew Ng

Aqui vamos ver muitas das coisas que já aprendemos, mas vamos vê-lo explicado por um dos líderes na área e sua abordagem será mais matemática, então será uma excelente maneira de entender nossa modelos ainda mais.

link: https://www.coursera.org/learn/machine-learning

Preço: Gratuito sem o certificado - $ 79 com o certificado

Livro: Os Elementos do Aprendizado Estatístico

Agora começa a parte pesada da matemática. Imagine se tivéssemos começado daqui, teria sido uma estrada difícil o tempo todo e provavelmente teríamos desistido mais fácil.

link: Amazon

Preço: $ 60, há uma versão gratuita oficial no Stanford página.

Curso Online: Deep Learning por Andrew Ng

A essa altura, você provavelmente já leu sobre aprendizado profundo e brincou com alguns modelos. Mas aqui vamos aprender os fundamentos do que são as redes neurais, como funcionam, e aprender a implementar e aplicar as diferentes arquiteturas existentes.

link: https://www.deeplearning.ai/deep-learning-specialization/

Preço: $ 49 / mês

Neste ponto, depende muito dos seus próprios interesses, você pode se concentrar em problemas de regressão e série temporal ou talvez se aprofundar mais no aprendizado profundo.

Queria dizer que lancei um jogo de curiosidades sobre ciência de dados com perguntas e respostas que costumam surgir em entrevistas. Para saber mais sobre isso Siga-me no Twitter.

Também publicado em https://towardsdatascience.com/if-i-had-to-start-learning-data-science-again-how-would-i-do-it-78a72b80fd93

Identificações

Junte-se ao Hacker Noon

Crie sua conta gratuita para desbloquear sua experiência de leitura personalizada.

Checkout PrimeXBT
Negocie com os Parceiros CFD Oficiais do AC Milan
A maneira mais fácil de negociar criptografia.
Fonte: https://hackernoon.com/how-id-learn-data-science-if-i-were-to-start-all-over-again-5o2733tn?source=rss

Leia mais
Blockchaindias 5 atrás

'Bitcoin Senator' Lummis otimista sobre a reforma tributária criptográfica

Blockchaindias 5 atrás

Dogecoin se torna a criptomoeda mais popular

Blockchaindias 5 atrás

Gerente de fundos de hedge bilionário e ex-presidente da CFTC supostamente investido em empresa de criptografia

Blockchaindias 5 atrás

Análise de preço do Bitcoin: acima de US $ 50 mil, mas enfrentando enorme resistência agora

Blockchaindias 5 atrás

Os investidores institucionais continuam a comprar Bitcoin já que o preço chega a US $ 50 mil: Relatório

Blockchaindias 5 atrás

PRÓXIMA Cadeia: Blockchain de nova geração de olho na indústria de DeFi

Big Datadias 2 atrás

Arquivos da plataforma de aprendizagem online Coursera para US IPO

Blockchaindias 4 atrás

Elrond & Reef Finance se unem para maior conectividade e liquidez

Blockchaindias 4 atrás

SushiSwap vira multicadeia após a implantação do Fantom

Blockchaindias 4 atrás

Veja por que o Bitcoin pode chegar a US $ 45,000

Blockchaindias 5 atrás

Orçamento do Reino Unido evita aumento de impostos para ganhos com Bitcoin

Blockchaindias 3 atrás

Tokens não Fungíveis - NFT 101 - Por que as pessoas estão gastando milhões de dólares em arte criptográfica e itens digitais

Blockchaindias 4 atrás

eToro e DS TECHEETAH mudam a cara do patrocínio com acordo somente para fins lucrativos

Blockchaindias 4 atrás

Os usuários do Apple Pay agora podem comprar COTI via Simplex

Blockchaindias 5 atrás

Perspectivas de preço da Ethereum: o que você precisa saber

business Insiderdias 2 atrás

Mudanças de pessoal de Wall Street da semana: aqui está nosso resumo de promoções, saídas e contratações em empresas como Goldman Sachs, JPMorgan e Third Point

Blockchaindias 4 atrás

TomoChain (TOMO) aumenta após novo teste anterior máximo

Blockchaindias 4 atrás

O mercado de Tron Dapps ganha um impulso, pois a Oracle está pronta para lançar a MainNet em breve

Blockchaindias 4 atrás

Taraxa, do Vale do Silício, revela detalhes da próxima venda pública

AR / VRdias 5 atrás

Farpoint Studio Tease Cryptic Message para o próximo jogo

Tendendo