Bizimle iletişime geçin

Yapay Zeka

AI ve ML'nin gelecekteki büyümesi

Avatar

Yayınlanan

on

Yapay Zeka ve Makine Öğreniminin Gelecekteki Büyümesi

By Rachel Roumeliotis

Yapay zekanın (AI) işletmelerin çalışma şeklini dönüştürdüğü ve uzun vadede bir işletmeye ne kadar yardımcı olabileceği gerçeğini hepimiz kabul ettik. Geçtiğimiz birkaç yılda, bu anlayış, AI teknolojilerini deneyen ve değerlendiren ve şimdi bunu özellikle üretim dağıtımlarında kullanan şirketlerde bir artışa neden oldu.

Elbette, kuruluşlar AI ve makine öğrenimi (ML) gibi yeni teknolojileri benimsediklerinde, yavaş yavaş yeni alanların teknolojiden nasıl etkilenebileceğini düşünmeye başlarlar. Bu, üretim ve lojistik, imalat, BT ve müşteri hizmetleri dahil olmak üzere birçok sektörde değişiklik gösterebilir. Yapay zeka ve makine öğrenimi tekniklerinin kullanımı, işletmelerin işleyişinde ve kullanılabilecekleri farklı şekillerde yerleşik hale geldiğinde, kuruluşlar gelişen ihtiyaçlara uyum sağlamalarına yardımcı olacak yeni bilgiler elde edebilecekler.

O'Reilly'nin öğrenme platformunu inceleyerek, teknoloji ve iş liderlerinin bilmesi gereken farklı eğilimler ve konular hakkında çeşitli bilgiler keşfedilebilir. Bu onların işlerini daha iyi anlamalarını sağlayacak ve işletmelerinin gelişmeye devam etmesini sağlayacaktır.

Son birkaç ay içinde, platformun kullanıcı kullanımını analiz ettik ve AI ve ML'de en popüler ve en çok aranan konuları keşfettik. YZ ve Makine öğreniminin nerede olduğuna ve nihayetinde nereye gittiğine dair bize daha geniş bir resim veren aşağıdaki en önemli bulgulardan bazılarını inceleyeceğiz.

Makine öğreniminde AI büyümesini geride bırakıyor

Her şeyden önce, analizimiz yapay zekaya olan ilginin nasıl artmaya devam ettiğine ışık tuttu. 2018 ile 2019 karşılaştırılırken, yapay zeka katılımı% 58 arttı - 5'da yalnızca% 2019 artan çok daha büyük makine öğrenimi konusundaki büyümeyi çok geride bıraktı. Tüm yapay zeka ve makine öğrenimi konularını bir araya getirirken, bu, tüm kullanımın yaklaşık% 5'ini oluşturuyor platformda etkinlik.

Bu, veri mühendisliği (kullanım etkinliğinin% 8'i) ve veri bilimi (kullanım etkinliğinin% 5'i) gibi üst düzey, köklü konulardan biraz daha az olsa da, bu konulara olan ilgi veri biliminden% 50 daha hızlı arttı. Veri mühendisliği, veri yönetimi konularıyla etkileşimdeki düşüş nedeniyle aynı zamanda yaklaşık% 8 azaldı.

Ayrıca, kuruluşların gelişmiş araç ve yöntemlerle deney yaptığına dair erken işaretler keşfettik. Bulgularımızdan, denetimsiz öğrenme içeriğine katılım, muhtemelen en ilginçlerinden biridir. Denetimsiz öğrenmede, bir yapay zeka algoritması, minimum insan gözetimi veya rehberliği ile önceden var olan etiketler veya sınıflandırma olmadan bir veri kümesindeki önceden tespit edilmemiş kalıpları aramak için eğitilir. 2018 yılında, denetimsiz öğrenme konularının kullanımı% 53 ve 172'da% 2019 arttı.

Ama bu büyümeyi ne yönlendiriyor? Yöntemlerinin (kümeleme ve ilişkilendirme) ve uygulamalarının (sinir ağları) adları tanıdık olsa da, denetimsiz öğrenme, çoğu insan ve çoğu kullanım durumu için makine öğrenimi için varsayılan strateji olarak hizmet veren denetimli öğrenme karşılığı kadar iyi anlaşılmamaktadır. .

Denetimsiz öğrenme etkinliğindeki bu artış, muhtemelen terimin kendisine aşina olmamasının yanı sıra, denetimli yöntemlerle kolayca ele alınamayan kullanım durumlarıyla karşı karşıya kalan daha sofistike kullanıcıların kullanımları, faydaları ve gereksinimlerinin eksikliğinden kaynaklanmaktadır.

Gözetimsiz öğrenmeyi destekleyen açık kaynak araçları, kitaplıkları ve öğretici çeşitliliği gibi, sinir ağlarında ve derin öğrenmede gözetimsiz öğrenmenin görünür başarısının da ilgimize yardımcı olması muhtemeldir.

Derin Öğrenme Dirilişi

Derin öğrenme 2019'da biraz soğurken, yine de tüm AI ve ML kullanımının% 22'sini oluşturuyordu. Ayrıca, başarısının, kullanılmayan veya ihmal edilen diğer bazı fikirlerin yeniden canlanmasına yardımcı olduğundan da şüpheleniyoruz. Bunun en büyük örneği pekiştirmeli öğrenmedir. Bu konu üstel bir büyüme yaşadı ve 1,500'den bu yana% 2017'ün üzerinde büyüdü.

10'da katılım oranlarının% 2019 düşmesine rağmen, derin öğrenmenin kendisi, yapay zekayı değerlendiren şirketler arasında en popüler makine öğrenimi yöntemlerinden biridir ve birçok şirket, üretim kullanım örneklerini desteklemek için tekniği seçmektedir. Derin öğrenme konularıyla etkileşimde bir plato olmuş olabilir, çünkü çoğu insan zaten teknolojiyle aktif olarak ilgileniyor, bu da büyümenin yavaşlayabileceği anlamına geliyor.

Doğal dil işleme, tutarlı büyüme gösteren başka bir konudur. Büyüme oranı çok büyük olmasa da - 15'de% 2018 ve 9'da% 2019 büyüdü - doğal dil işleme, platformumuzdaki tüm AI ve ML kullanımının yaklaşık% 12'sini oluşturuyor. Bu, son iki yılda yaşanan önemli büyümeye rağmen, denetimsiz öğrenmenin yaklaşık 6 katı ve pekiştirmeli öğrenme kullanımının 5 katıdır.

Bununla birlikte, AI / ML yöntemlerinin tümü eşit olarak ele alınmaz. Örneğin, sohbet robotlarına olan ilgi azalıyor gibi görünüyor ve etkileşim 17'de% 2018 ve 34'da% 2019 azaldı. Bunun nedeni, sohbet robotlarının yapay zekanın ilk uygulamalarından biri olması ve muhtemelen onun göreceli olgunluğunun bir yansıması olmasıdır. uygulama.

Denetimsiz öğrenmeye ve pekiştirmeli öğrenmeye artan katılım, kuruluşların gelişmiş analitik araçları ve yöntemlerini denediğini göstermektedir. Bu araçlar ve teknikler, karar desteği, etkileşimli oyunlar ve gerçek zamanlı perakende tavsiye motorları dahil olmak üzere işletmelerin denemeleri ve yararlanmaları için yeni kullanım senaryoları açar. Kuruluşların sorunları çözmek, üretkenliği artırmak, süreçleri hızlandırmak ve yeni ürün ve hizmetler sunmak için yapay zeka ve makine öğrenimi kullanmaya devam edeceğini ancak hayal edebiliyoruz.

Kuruluşlar analitik teknolojileri benimsedikçe, kendileri ve dünyaları hakkında daha fazla şey keşfediyorlar. Özellikle ML'nin benimsenmesi, bir kuruluşun her düzeyindeki insanları, bir kuruluşun kendisi hakkında bildiklerini düşündüklerine meydan okuyan sorular sormaya başlamalarını sağlar.

Makine öğrenimi ve yapay zeka ile, kendimiz hakkında yeni, farklı ve bazen zor sorular sormayı öğrenirken bize yardımcı olan yeni bilgi nesnelerini ortaya çıkarmak için makineleri eğitiyoruz. Tüm belirtilere göre, bu konuda bir miktar başarı elde ettiğimiz görülüyor. Geleceğin ne getireceğini kim bilebilir, ancak teknolojiler daha akıllı hale geldikçe, daha bağımlı hale geleceğimize hiç şüphe yok.

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

AI

Dijital Kimlik Doğrulama Hizmeti IDnow, Almanya'dan Küresel Kimlik Yazılımı Sağlayıcısı Kimlik Trust Management AG'yi Satın Aldı

Avatar

Yayınlanan

on

IDnow, bir sağlayıcı hizmet olarak kimlik doğrulama çözümler, kazanacak kimlik Güven Yönetimi, Almanya'dan dijital ve çevrimdışı kimlik doğrulama yazılımının küresel bir sağlayıcısı.

IDnow, Trust Management'ın Düsseldorf lokasyonunun kimliğini korumaya devam edeceğini ve çalışanlarını da elinde tutacağını doğruladı.

The edinme of Identity Trust Management, IDnow'a hizmetlerini Almanya ve diğer alanlarda daha geniş ve potansiyel olarak daha çeşitli müşteri tabanına sunarken yeni dikeylere doğru genişlemede yardımcı olmalıdır.

Birleşik ürün portföyü, otomatikten insan destekli ve tamamen çevrimiçi olmaktan satış noktasına kadar uzanan kapsamlı kimlik doğrulama yöntemleri sağlamayı amaçlayacaktır. Tüm bu kimlik doğrulama yöntemlerine IDnow platformu aracılığıyla erişilebilir.

Identity Trust Management, son 10 yılda Almanya'nın kimlik endüstrisindeki faaliyetlerini, telekomünikasyon ve sigorta hizmetlerine odaklanan sağlam bir itibar ve müşteri portföyü ile kurmuştur.

Andreas BodczekŞirketinde CEO IDnow, belirtti:

“Identity Trust Management AG, hem ürün portföyü hem de müşteri ilişkileri açısından etkileyici bir şirket kurdu. Liderlik ekibini yıllardır tanıyoruz ve derin sadakat ve karşılıklı anlayışa dayanan bir ortaklık kurduk. Trust Management AG'nin yetenekli ekibini IDnow ailesine davet etmekten heyecan duyuyoruz ve birleşik, pazar lideri bir marka yaratmak için her iki şirketin güçlü yönlerini birleştirmeyi dört gözle bekliyoruz. ”

Uwe StelzigIdentity Trust Management AG CEO'su şunları söyledi:

“Bu kombinasyon, IDnow'un yenilikçi teknolojisinin gücünü kimlik Trust Management AG'nin farklılaştırılmış bir kimlik doğrulama platformu oluşturmak için çeşitli yetenekleri ile birleştiriyor. Birlikte, müşterilere kimlik doğrulama için benzersiz, tek noktadan bir çözüm sağlama ortak vizyonumuza ulaşmak için iyi bir konumda olacağız. "

Bu, IDnow'un geçen yılın Eylül ayında Wirecard Communication Services'i takip eden son 6 aydaki ikinci satın alması olduğu bildirildi.

As kaplı Aralık 2020'de, Avrupa Yatırım Bankası (EIB), Almanya merkezli kimlik doğrulama platformu IDnow'a 15 milyon Euro'luk büyüme fonu sağlamaya karar vermişti. 2014 yılında kurulan IDnow, hem Avrupa'da düzenlenmiş sektörlerde hem de dünya çapında tamamen yeni dijital iş modelleri için çok çeşitli kullanım durumlarını kapsamaktadır.

Platform, kimlik akışının farklı bölgesel, yasal ve ticari gereksinimlere her kullanım için uyarlanmasına olanak tanır.

IDnow ekibi tarafından açıklandığı gibi:

"IDnow, kimlik belgelerindeki tüm güvenlik özelliklerini kontrol etmek için Yapay Zeka kullanıyor ve bu nedenle sahte belgeleri güvenilir bir şekilde tanımlayabiliyor. Potansiyel olarak, 7 farklı ülkeden 193 milyardan fazla müşterinin kimlikleri gerçek zamanlı olarak doğrulanabilir. Güvenliğe ek olarak, müşteri için karmaşık olmayan bir uygulamaya da odaklanır. Trustpilot müşteri derecelendirme portalında beş üzerinden beş yıldız elde eden IDnow teknolojisi özellikle kullanıcı dostudur. "

Ödeme PrimeXBT
AC Milan'ın Resmi CFD Ortaklarıyla Ticaret Yapın
Kripto Ticareti Yapmanın En Kolay Yolu.
Kaynak: https://www.crowdfundinsider.com/2021/03/172910-digital-id-verification-service-idnow-acquires-identity-trust-management-ag-a-global-provider-of-id-software- Almanyadan/

Continue Reading

AI

Makine Öğrenimi Yazılım Geliştirmeye Nasıl Uygulanıyor

Avatar

Yayınlanan

on

Yazar profil resmi

Elon Musk otonom araçlar fikrini önerdiğinde, herkes bunun varsayımsal bir rüya olduğunu varsaydı ve asla ciddiye almadı. Bununla birlikte, aynı araçlar şu anda yollarda ve Amerika Birleşik Devletleri'nde en çok satan arabalardan biri.

Yapay zeka ve makine öğrenimi uygulamaları, akıllı telefonunuzdaki Google Fotoğraflar'dan evinizdeki Amazon'un Alexa'sına kadar her alanda görülebilir ve yazılım geliştirme bir istisna değildir. AI, iOS ve Android uygulama geliştiricilerinin çalışma şeklini çoktan değiştirdi.

Makine öğrenimi, geleneksel bir yazılım geliştirme döngüsünün çalışma şeklini geliştirebilir. Bir bilgisayarın programlamaya ihtiyaç duymadan deneyimlerden öğrenmesini ve gelişmesini sağlar. AI ve ML'nin tek amacı, bilgisayarların otomatik olarak öğrenmesine izin vermektir.

Ayrıca, bir yazılım geliştiricisi olarak, bilgisayarınızın ne yapması gerektiğini bilmesini sağlamak için en küçük ayrıntıları belirtmeniz gerekebilir. Makine öğrenimi ile entegre yazılım geliştirmek, geliştirme deneyiminizde önemli bir fark yaratmanıza yardımcı olabilir.

Makine Zekası, insanlığın yapması gereken son icattır!

Makine öğrenimi ve yapay zekanın geliştiricilere nasıl yardımcı olduğuna gelince, sınır sadece gökyüzüdür. Yapay zeka, daha da geniş kapsamlı olarak girdiği her sektörü her zaman dönüştürmüştür. İşte aynı şeyi ifade eden hızlı bir istatistik özeti:

Rakamların da belirttiği gibi, yapay zeka ve makine öğrenimi kesinlikle dünyayı dönüştürüyor ve geliştirme endüstrisi de bir istisna değil. Kusursuz kod yazmanıza, dağıtmanıza ve hataları düzeltmenize nasıl yardımcı olabileceğine bir göz atalım.

Geliştirmede Yapay Zeka ve Makine Öğrenimi - Bu, Yazılım Geliştiricilere Nasıl Fayda Sağlıyor?

İster bir android uygulama geliştiricisi olarak çalışan bir kişi olun, ister bir yaşam için kodlar yazan biri olun, AI'da sizin için neler olduğunu merak etmiş olabilirsiniz. Geliştiricilerin makine öğrenimi ve yapay zekanın yeteneklerinden nasıl yararlanabileceği aşağıda açıklanmıştır:

1. Kodun Kontrollü Dağıtımı

Yapay zeka ve makine öğrenimi teknolojileri, geliştirmede gerekli olan kod dağıtımı etkinliklerinin verimliliğini artırmaya yardımcı olur. Geliştirme spektrumunda, dağıtım mekanizmaları, programlarınızı ve uygulamalarınızı daha yeni bir sürüme yükseltmeniz gereken bir geliştirme aşaması içerir.

Bununla birlikte, süreci düzgün bir şekilde yürütemezseniz, yazılım veya uygulamanın bozulması dahil olmak üzere çeşitli risklerle karşılaşmanız gerekir. AI yardımı ile bu tür güvenlik açıklarını kolayca önleyebilir ve kodunuzu kolaylıkla yükseltebilirsiniz.

2. Hatalar ve Hata Tanımlama

Yapay zeka alanındaki gelişmelerle birlikte kodlama deneyimi daha da iyi ve gelişiyor. Geliştiricilerin kodlarındaki hataları kolayca tespit etmelerine ve anında düzeltmelerine olanak tanır. Artık kodlarında olası kusurları bulmak için kodlarını tekrar tekrar okumak zorunda değiller.

Birkaç makine öğrenimi algoritması, yazılımınızı otomatik olarak test edebilir ve değişiklikler önerebilir.

Yapay zeka destekli test araçları kesinlikle geliştiricilere bolca zaman kazandırıyor ve projelerini daha hızlı teslim etmelerine yardımcı oluyor.

3. Güvenli Veri Depolama

Sayısız ağdan sürekli artan veri aktarımı ile siber güvenlik uzmanları, ağda devam eden her etkinliği izlemenin genellikle karmaşık ve ezici olduğunu düşünüyor. Bu nedenle, herhangi bir uyarı üretmeden fark edilmeden ortadan kalkabilecek bir tehdit veya ihlal olabilir.

Ancak yapay zeka yetenekleri ile geciken uyarılar gibi sorunların önüne geçebilir ve kodunuzdaki hatalardan en kısa sürede haberdar olabilirsiniz. Bu araçlar, bir şirketin bir ihlal hakkında bildirim alma süresini kademeli olarak kısaltır.

4. Stratejik Karar Verme ve Prototipleme 

Bir geliştiricinin, yaptıkları bir projeye veya koda dahil edilmesi gerekenlerin kapsamlı ve sonsuz bir listesinden geçmesi bir alışkanlıktır. Bununla birlikte, makine öğrenimi ve yapay zeka tarafından yönlendirilen teknolojik çözümler, mevcut uygulamaların performansını analiz etme ve değerlendirme yeteneğine sahiptir.

Bu teknolojinin yardımıyla, hem iş liderleri hem de mühendisler riski azaltan ve etkiyi en üst düzeye çıkaran bir çözüm üzerinde çalışabilirler. Doğal dil ve görsel arayüzler kullanarak, teknik alan uzmanları teknolojileri daha hızlı geliştirebilirler.

5. Beceri Geliştirme

Yaklaşan teknoloji ile gelişmeye devam etmek için, teknolojideki ilerlemeyle birlikte gelişmeniz gerekir. Yeni başlayanlar ve genç geliştiriciler için, AI tabanlı araçlar, çeşitli yazılım programları üzerinde işbirliği yapmalarına ve programlama dili ve yazılım hakkında daha fazla bilgi edinmek için ekip üyeleri ve yaşlılarla içgörü paylaşmalarına yardımcı olur.

Ayrılık Kelimeler

Makine öğrenimi ve yapay zeka, yazılım geliştirmeyle ilgili çok sayıda görevi ve etkinliği basitleştirirken, bu, test uzmanlarının ve geliştiricilerin işlerini kaybedecekleri anlamına gelmez. İşe alınan bir android uygulama geliştiricisi, AI ve makine öğrenimi tarafından desteklenen daha hızlı, daha iyi ve daha verimli bir ortamda kodlar yazmaya devam edecektir.

Etiketler

Hacker Noon'a Katılın

Özel okuma deneyiminizin kilidini açmak için ücretsiz hesabınızı oluşturun.

Ödeme PrimeXBT
AC Milan'ın Resmi CFD Ortaklarıyla Ticaret Yapın
Kripto Ticareti Yapmanın En Kolay Yolu.
Kaynak: https://hackernoon.com/how-machine-learning-and-ai-are-helping-developers-6g2s33w6?source=rss

Continue Reading

Yapay Zeka

Üretken Çekişmeli Transformatörler: Sahneler Oluşturmak için GANformerleri Kullanma

Avatar

Yayınlanan

on

Yazar profil resmi

@whatsaiLouis Bouchard

Uzman olmayanlara Yapay Zeka terimlerini ve haberlerini açıklıyorum.

Daha da güçlü hale getirmek için temelde güçlü StyleGAN2 mimarisindeki transformatörlerin dikkat mekanizmasından yararlanırlar!

Videoyu izle:

Bölümler:
0: 00Hey! Beğen düğmesine ve Abone Ol'a dokunun. Çok güzel şeyler öğreneceksin, söz veriyorum.
0: 24Metinden Resme çeviri
0: 51Örnekler
5: 50Sonuç

Referanslar

kâğıt: https://arxiv.org/pdf/2103.01209.pdf
Kod: https://github.com/dorarad/gansformer
Tam referans:
Drew A. Hudson ve C. Lawrence Zitnick, Generative Adversarial Transformers, (2021), Arxiv'de yayınlandı, özet:

“Yeni ve verimli bir transformatör türü olan GANsformer'ı tanıtıyoruz ve görsel üretken modelleme görevi için araştırıyoruz. Ağ, yüksek çözünürlüklü senteze kolayca ölçeklenebilen doğrusal verimlilik hesaplamasını korurken, görüntü boyunca uzun menzilli etkileşimlere olanak tanıyan iki taraflı bir yapı kullanır. Her birinin diğerinin ışığında iyileştirilmesini desteklemek ve nesnelerin ve sahnelerin kompozisyonel temsillerinin ortaya çıkmasını teşvik etmek için bilgiyi bir dizi gizli değişkenden gelişen görsel özelliklere ve tersi şekilde yinelemeli olarak yayar. Klasik transformatör mimarisinin aksine, esnek bölge tabanlı modülasyona izin veren çoklayıcı entegrasyon kullanır ve bu nedenle başarılı StyleGAN ağının bir genellemesi olarak görülebilir. Modelin gücünü ve sağlamlığını, simüle edilmiş çok nesneli ortamlardan zengin gerçek dünya iç ve dış mekan sahnelerine kadar bir dizi veri kümesi üzerinde dikkatli bir değerlendirmeyle göstererek, görüntü kalitesi ve çeşitlilik açısından son teknoloji sonuçlara ulaştığını gösteriyoruz. hızlı öğrenmenin ve daha iyi veri verimliliğinin keyfini çıkarırken. Daha ileri niteliksel ve niceliksel deneyler, bize modelin iç işleyişine dair bir içgörü sunarak, daha iyi yorumlanabilirliği ve daha güçlü çözülmeyi ortaya çıkarır ve yaklaşımımızın faydalarını ve etkililiğini gösterir. Modelin bir uygulaması şu adreste mevcuttur: https://github.com/dorarad/gansformer. "

Video Transkripti

Not: Bu konuşma metni Youtube tarafından otomatik olarak oluşturulmuştur ve tamamen doğru olmayabilir.

00: 00

temelde kaldıraçlı transformatörler

00: 02

güçlü istatistikteki dikkat mekanizması

00: 04

Daha da fazlasını yapmak için gun 2 mimarisi

00: 06

güçlü

00: 10

[Müzik]

00: 14

bu ai nedir ve yapay olarak paylaşıyorum

00: 16

her hafta istihbarat haberleri

00: 18

Kanalda yeniyseniz ve

00: 19

güncel kalmak ister misiniz lütfen düşünün

00: 21

daha fazla haberi kaçırmamak için abone olmak

00: 24

geçen hafta dali openai'ye baktık

00: 27

en son makale

00: 28

gpt3 ile benzer bir mimari kullanır

00: 31

bir üretmek için transformatörleri içeren

00: 33

metinden görüntü

00: 35

bu çok ilginç ve karmaşık

00: 37

görev çağrıldı

00: 38

gördüğünüz gibi metin-görüntü çevirisi

00: 41

yine burada sonuçlar şaşırtıcı bir şekilde

00: 43

öncekine göre iyi

00: 45

son teknoloji teknikler bu

00: 47

esas olarak transformatör kullanımı nedeniyle

00: 49

ve bu hafta büyük miktarda verinin

00: 52

çok benzer bir göreve bakacak

00: 54

görsel üretken modelleme denir nerede

00: 56

amaç bir

00: 58

yüksek çözünürlükte tam sahne böyle

01: 00

yol veya oda olarak

01: 02

tek bir yüz veya belirli bir yüz yerine

01: 04

Bu delhi'den farklı nesne

01: 06

sahneyi oluşturmadığımız için

01: 08

bir metinden ancak eğitimli bir modelden

01: 10

belirli bir sahnede

01: 13

bu durumda yatak odası

01: 14

daha ziyade stil tabancası gibi

01: 17

benzersiz ve var olmayan

01: 19

insan yüzleri

01: 20

gerçek bir veri kümesi üzerinde eğitilmek

01: 22

yüzler

01: 24

aradaki fark, bu gan'ı kullanmasıdır

01: 26

geleneksel bir üretken mimari

01: 28

ve ayrımcı yol

01: 29

evrişimli sinir ağları ile

01: 32

klasik silah mimarisinde bir

01: 34

jeneratör

01: 35

görüntü oluşturmak için eğitilmiş ve

01: 36

ayırt edici

01: 38

kalitesini ölçmek için kullanılır

01: 40

oluşturulan görüntüler

01: 41

bunun gerçek bir görüntü olup olmadığını tahmin ederek

01: 43

veri kümesinden

01: 44

veya tarafından oluşturulan sahte bir görüntü

01: 46

jeneratör

01: 48

her iki ağ da tipik olarak şunlardan oluşur:

01: 50

evrişimli sinir ağları

01: 52

jeneratör

01: 53

bu esas olarak kuş tüyünden oluşuyor gibi görünüyor

01: 56

görüntüyü evrişimler kullanarak örneklemek

01: 58

kodla

01: 59

ve sonra tekrar görüntüyü örnekler

02: 02

yeni bir

02: 04

versiyon

02: 05

aynı stile sahip görüntünün

02: 07

kodlamada

02: 08

bu yüzden ona stil silahı deniyor o zaman

02: 12

ayrımcı üretilenleri alır

02: 14

görüntü veya

02: 15

veri kümenizden bir görüntü ve

02: 17

gerçek olup olmadığını anlamak

02: 18

oluşturulan

02: 19

sahte olarak adlandırılırlar bunun yerine kaldıraç kullanırlar

02: 22

transformatörler dikkat mekanizması

02: 24

güçlü stargane 2'nin içinde

02: 26

onu yapmak için mimari

02: 27

daha da güçlü bir dikkat

02: 30

bu ağın temel özelliği

02: 32

ağın küresel çekmesine izin vermek

02: 34

arasındaki bağımlılıklar

02: 36

bu durumda girdi ve çıktı

02: 39

şu anki adımdaki giriş arasında

02: 41

Mimarlık

02: 42

ve önceden kodlanmış gizli kod

02: 44

bir dakika sonra göreceğimiz gibi

02: 46

içine dalmadan önce eğer değilseniz

02: 48

transformatörlere veya ilgiye aşina

02: 50

yaptığım videoyu izlemeni öneririm

02: 52

transformatörler hakkında

02: 54

daha fazla ayrıntı ve daha iyisi için

02: 55

dikkat anlayışı

02: 57

kesinlikle bir göz atmalısın

02: 58

tek ihtiyacınız olan video ilgisi

03: 01

bir youtuber arkadaşından ve ilham kaynağından

03: 03

benimki janik

03: 04

Bu harika kağıdı kaplayan kilter

03: 07

tamam

03: 07

bu yüzden transformatör kullandıklarını biliyoruz

03: 09

ve daha iyi üretmek için silahlar bir arada ve

03: 12

daha gerçekçi sahneler

03: 13

bu yazının adını açıklayan

03: 15

transformatörler

03: 17

ama bunu tam olarak neden ve nasıl yaptılar

03: 20

y gelince, bunu üretmek için yaptılar

03: 22

karmaşık ve gerçekçi sahneler

03: 24

bunun gibi otomatik olarak bu olabilir

03: 26

birçokları için güçlü bir uygulama olmak

03: 28

filmler veya video oyunları gibi sektörler

03: 30

çok daha az zaman ve çaba gerektiren

03: 33

sahip olmaktan

03: 34

sanatçı bunları bir bilgisayarda veya hatta

03: 36

bunları yapmak

03: 37

gerçek hayatta onun fotoğrafını çekmek için

03: 40

Ayrıca

03: 40

ne kadar yararlı olabileceğini hayal edin

03: 42

tasarımcılar metinle birleştirildiğinde

03: 44

birçok üreten görüntü çevirisi

03: 46

tek bir metinden farklı sahneler

03: 48

giriş

03: 48

ve rastgele bir düğmeye basıldığında bir

03: 51

son teknoloji silah mimarisi

03: 53

çünkü silahlar güçlü üreticilerdir

03: 55

genel imaj hakkında konuştuğumuzda

03: 58

çünkü silahlar evrişimli kullanarak çalışır

04: 00

nöral ağlar

04: 01

doğaları gereği yerel kullanıyorlar

04: 03

piksel bilgileri

04: 05

onları generalle sonlandırmak için birleştirmek

04: 07

görüntü ile ilgili bilgi

04: 09

uzun menzili kaçırmak

04: 11

uzaktaki pikselin etkileşimi

04: 13

Aynı sebepten dolayı bu, silahların

04: 15

genel olarak güçlü üreteçler olun

04: 18

görüntünün stili

04: 19

hala çok daha az güçlüler

04: 21

küçüklerin kalitesi ile ilgili olarak

04: 23

oluşturulan görüntüdeki ayrıntılar

04: 25

aynı sebepten ötürü yapamamak

04: 27

yerelleştirilmiş bölgelerin tarzını kontrol edin

04: 30

oluşturulan görüntünün içinde bu

04: 33

bu yüzden birleştirme fikri vardı

04: 34

transformatörler ve gans bir arada

04: 36

aradıkları mimari

04: 38

bipartite transformatör gpt3 ve birçok

04: 41

diğer belgeler zaten transformatörleri kanıtladı

04: 44

uzun menzilli etkileşimler için güçlüdür

04: 46

aralarındaki bağımlılıkları çizmek ve

04: 48

metnin içeriğini anlamak

04: 50

ya da gördüğümüz görüntüler

04: 53

dikkat katmanları eklendi

04: 54

transformatörün temeli olan

04: 56

evrişimli arasındaki ağ

04: 58

hem jeneratörün hem de

05: 00

ayırt edici

05: 01

dolayısıyla kullanmaya odaklanmak yerine

05: 03

küresel bilgi ve kontrol

05: 05

konvolüsyonların yaptığı gibi küresel olarak tüm özellikler

05: 07

Doğa tarafından

05: 08

bu dikkati yaymak için kullanıyorlar

05: 10

yerel piksellerden bilgi

05: 12

küresel üst düzey temsil

05: 14

ve diğer transformatörler gibi tam tersi

05: 17

görüntülere uygulandı

05: 18

bu dikkat katmanı pikselin

05: 20

konum ve stil tabancası gizli

05: 23

boşluklar w

05: 24

ve z gizli alan w bir kodlamadır

05: 27

girişin bir ara gizli

05: 30

uzay

05: 30

ağın başında yapılır

05: 32

burada belirtilen

05: 34

bir süre olarak z kodlaması yalnızca

05: 37

girdinin sonuçta ortaya çıkan özellikleri

05: 39

ağın mevcut adımı

05: 40

bu nesli çok daha fazla yapar

05: 42

tüm görüntünün üzerinde anlamlı

05: 44

özellikle görüntü oluştururken

05: 46

çoklu nesneyi tasvir etmek

05: 48

bu yazının amacı olan sahneler

05: 51

elbette bu sadece genel bir bakıştı

05: 53

facebook ai araştırması tarafından hazırlanan bu yeni makale

05: 55

ve stanford üniversitesi

05: 57

kağıdı okumanızı şiddetle tavsiye ederim

05: 59

bunu daha iyi anlamak için

06: 00

Yaklaşım, içindeki ilk bağlantıdır.

06: 02

aşağıdaki açıklama

06: 03

kod da mevcuttur ve bağlantılıdır

06: 05

açıklama da

06: 07

videoda bu kadar ileri gittiyseniz lütfen

06: 08

beğeni bırakmayı düşün

06: 10

ve düşüncelerini yorumlayarak yapacağım

06: 12

kesinlikle oku ve sana cevap ver

06: 14

ve hala yüzde 80'in üzerinde olduğu için

06: 16

Henüz abone olmayanlardan

06: 18

lütfen bunu ücretsiz tıklamayı düşünün

06: 20

abone ol düğmesi

06: 21

daha fazla haberi açıkça kaçırmamak

06: 23

açıkladı

06: 24

İzlediğiniz için teşekkürler

06: 33

[Müzik]

Yazar profil resmi

Hikayelerimi oku

Uzman olmayanlara Yapay Zeka terimlerini ve haberlerini açıklıyorum.

Etiketler

Hacker Noon'a Katılın

Özel okuma deneyiminizin kilidini açmak için ücretsiz hesabınızı oluşturun.

Ödeme PrimeXBT
AC Milan'ın Resmi CFD Ortaklarıyla Ticaret Yapın
Kripto Ticareti Yapmanın En Kolay Yolu.
Kaynak: https://hackernoon.com/generative-adversarial-transformers-using-gansformers-to-generate-scenes-013d33h4?source=rss

Continue Reading

Yapay Zeka

Her Şeye Yeniden Başlasaydım Veri Bilimini Nasıl Öğrenirdim?

Avatar

Yayınlanan

on

Yazar profil resmi

@SantiviquezSantiago Víquez

Fizikçi veri bilimciye dönüştü. Datasciencetrivia.com'un yaratıcısı

Birkaç gün önce, makine öğrenimi ve veri bilimini yeniden öğrenmeye başlamam gerekip gerekmediğini düşünmeye başladım, nereden başlayabilirim? İşin garibi, hayal ettiğim yolun aslında başladığım zaman yaptığımdan tamamen farklı olmasıydı.

Hepimizin farklı şekillerde öğrendiğimizin farkındayım. Bazıları videoları tercih eder, diğerleri sadece kitaplarla uyumludur ve birçok insanın daha fazla baskı hissetmesi için bir kursa para ödemesi gerekir. Ve sorun değil, önemli olan öğrenmek ve ondan zevk almak.

Dolayısıyla, kendi bakış açımdan konuşarak ve nasıl daha iyi öğrendiğimi bildiğimden, Veri Bilimini tekrar öğrenmeye başlamam gerekirse bu yolu tasarladım.

Göreceğiniz gibi, öğrenmenin en sevdiğim yolu yavaş yavaş basitten karmaşığa gitmektir. Bu, pratik örneklerle başlamak ve ardından daha soyut kavramlara geçmek anlamına gelir.

Kaggle mikro kursları

Buradan başlamanın tuhaf olabileceğini biliyorum, çoğu, her bir ML modelinin arkasında neler olduğunu tam olarak anlamak için en ağır temellerle ve matematik videolarıyla başlamayı tercih eder. Ama benim bakış açıma göre pratik ve somut bir şeyle başlamak, resmin bütününü daha iyi görmemize yardımcı oluyor.

Ek olarak, bu mikro kursların tamamlanması her biri yaklaşık 4 saat sürmektedir, bu nedenle bu küçük hedeflere önceden ulaşmak ekstra bir motivasyon artışı sağlar.

Kaggle mikro kursu: Python

Python'a aşina iseniz bu bölümü atlayabilirsiniz. Burada, veri bilimini öğrenmeye başlamanıza yardımcı olacak temel Python kavramlarını öğreneceksiniz. Python hakkında hala bir gizem olmaya devam edecek birçok şey olacak. Ama ilerledikçe pratikle öğreneceksiniz.

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

Fiyat: Ücretsiz

Kaggle mikro kursu: Pandalar

Pandalar, bize Python'da verileri değiştirmeye başlama becerisi verecek. Yapılabilecek şeyler hakkında fikir sahibi olmak için 4 saatlik bir mikro kurs ve pratik örneklerin yeterli olduğunu düşünüyorum.

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

Fiyat: Ücretsiz

Kaggle mikro kursu: Veri Görselleştirme

Veri görselleştirme belki de en küçümsenen becerilerden biridir, ancak sahip olunması gereken en önemli becerilerden biridir. Çalışacağınız verileri tam olarak anlamanıza izin verecektir.

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

Fiyat: Ücretsiz

Kaggle mikro kursu: Makine Öğrenmesine Giriş

Heyecan verici bölüm burada başlıyor. Makine öğrenimi modellerini eğitmeye başlamak için temel ama çok önemli kavramları öğreneceksiniz. Daha sonra onları çok netleştirmek için gerekli olan kavramlar.

Bağlantı: https://www.kaggle.com/learn/intro-to-machine-öğrenme

Precio: Ücretsiz

Kaggle mikro kursu: Orta Düzey Makine Öğrenimi

Bu bir öncekinin tamamlayıcısıdır, ancak burada ilk kez kategorik değişkenlerle çalışacak ve verilerinizdeki boş alanlarla ilgileneceksiniz.

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

Fiyat: Ücretsiz

Bir an burada duralım. Bu 5 mikro kursun doğrusal bir süreç olmayacağı açık olmalı, muhtemelen kavramları yenilemek için gelip aralarında gidip gelmeniz gerekecek. Pandalarda çalışırken, öğrendiğiniz bazı şeyleri hatırlamak için Python kursuna geri dönmeniz veya Makine Öğrenmesine Giriş kursunda gördüğünüz yeni işlevleri anlamak için pandaların belgelerine gitmeniz gerekebilir. Ve tüm bunlar iyi, tam burada gerçek öğrenmenin gerçekleşeceği yer.

Şimdi, bu ilk 5 kursun farkına varırsanız, keşifsel veri analizi (EDA) yapmak ve daha sonra geliştirebileceğiniz temel modeller oluşturmak için gerekli becerileri kazanacaksınız. Öyleyse şimdi basit Kaggle yarışmalarıyla başlamanın ve öğrendiklerinizi uygulamaya koymanın tam zamanı.

Kaggle Oyun Parkı Yarışması: Titanic

Burada, giriş kurslarında öğrendiklerinizi uygulamaya koyacaksınız. Belki ilk başta biraz korkutucu olacak, ancak önemli olan liderlik tablosunda birinci olmakla ilgili değil, öğrenmekle ilgili. Bu yarışmada, bu tür sorunlar için sınıflandırma ve hassasiyet, geri çağırma ve doğruluk gibi ilgili ölçütler hakkında bilgi edineceksiniz.

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

Kaggle Oyun Parkı Yarışması: Konut Fiyatları

Bu yarışmada, regresyon modellerini uygulayacak ve RMSE gibi ilgili ölçümleri öğreneceksiniz.

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

Bu noktada, zaten çok fazla pratik deneyime sahipsiniz ve birçok sorunu çözebileceğinizi hissedeceksiniz, ancak muhtemelen kullandığınız her sınıflandırma ve regresyon algoritmasının arkasında neler olduğunu tam olarak anlamıyorsunuzdur. Yani burası bizim çalışmamız gereken yer temeller öğrendiklerimizden.

Pek çok kurs burada başlıyor, ancak en azından daha önce pratik bir şey üzerinde çalıştıktan sonra bu bilgileri daha iyi anlıyorum.

Kitap: Sıfırdan Veri Bilimi

Bu noktada, bu algoritmaların "arkasında" neler olduğunu pratik bir şekilde öğrenmek için kendimizi anlık olarak pandalardan, scikit-learn ve diğer Python kitaplıklarından ayıracağız.

Bu kitabın okunması oldukça dostane bir kitap, her bir konunun Python örneklerini getiriyor ve bu aşama için temel olan çok fazla matematiğe sahip değil. Algoritmaların ilkesini anlamak istiyoruz, ancak pratik bir bakış açısıyla, çok fazla yoğun matematiksel gösterim okuyarak motivasyonumuzu kaybetmek istemiyoruz.

Bağlantı: Amazon

Fiyat: yaklaşık 26 $

Buraya kadar geldiyseniz, veri biliminde çalışma konusunda oldukça yetenekli olduğunuzu ve çözümlerin arkasındaki temel ilkeleri anladığınızı söyleyebilirim. Bu yüzden burada sizi daha karmaşık Kaggle yarışmalarına katılmaya, forumlara katılmaya ve diğer katılımcıların çözümlerinde bulduğunuz yeni yöntemleri keşfetmeye davet ediyorum.

Çevrimiçi Kurs: Andrew Ng tarafından Makine Öğrenimi

Burada daha önce öğrendiğimiz birçok şeyi göreceğiz, ancak alandaki liderlerden birinin açıklamasını izleyeceğiz ve onun yaklaşımı daha matematiksel olacak, bu yüzden bizim modelleri daha da fazlası.

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

Fiyat: Sertifika olmadan ücretsiz - sertifika ile 79 $

Kitap: İstatistiksel Öğrenmenin Unsurları

Şimdi ağır matematik bölümü başlıyor. Buradan başlasaydık, baştan beri yokuş yukarı bir yol olurdu ve muhtemelen daha kolay pes ederdik.

Bağlantı: Amazon

Fiyat: 60 $, Stanford  gidin.

Çevrimiçi Kurs: Andrew Ng tarafından Derin Öğrenme

O zamana kadar muhtemelen derin öğrenmeyi okumuş ve bazı modellerle oynamışsınızdır. Ama burada sinir ağlarının ne olduğunu, nasıl çalıştığını ve var olan farklı mimarileri uygulamayı ve uygulamayı öğreneceğiz.

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

Fiyat: $ 49 / ay

Bu noktada, büyük ölçüde kendi ilgi alanlarınıza bağlıdır, gerileme ve zaman serisi problemlerine odaklanabilir veya belki daha derin öğrenmeye gidebilirsiniz.

Genellikle röportajlarda ortaya çıkan sorular ve cevaplarla bir Veri Bilimi Trivia oyunu başlattığımı söylemek istedim. Bunun hakkında daha fazla bilgi edinmek için Heyecan beni izleyin.

Şurada da yayınlandı: https://towardsdatascience.com/if-i-had-to-start-learning-data-science-again-how-would-i-do-it-78a72b80fd93

Etiketler

Hacker Noon'a Katılın

Özel okuma deneyiminizin kilidini açmak için ücretsiz hesabınızı oluşturun.

Ödeme PrimeXBT
AC Milan'ın Resmi CFD Ortaklarıyla Ticaret Yapın
Kripto Ticareti Yapmanın En Kolay Yolu.
Kaynak: https://hackernoon.com/how-id-learn-data-science-if-i-were-to-start-all-over-again-5o2733tn?source=rss

Continue Reading
Blockchain5 gün önce

'Bitcoin Senatörü' Lummis, Kripto Vergi Reformu Hakkında İyimser

Blockchain5 gün önce

Dogecoin en popüler kripto para birimi haline geldi

Blockchain5 gün önce

Milyarder Hedge Fund Yöneticisi ve Eski Bir CFTC Başkanının Kripto Firmasına Yatırım Yaptığı Bildirildi

Blockchain5 gün önce

Bitcoin Fiyat Analizi: 50 $ 'ın Üzerinde Ama Şimdi Büyük Direnişle Karşı Karşıya

Blockchain5 gün önce

Kurumsal Yatırımcılar, Fiyat 50 Bin Doların Üzerinde Bitcoin Almaya Devam Ediyor: Rapor

Blockchain5 gün önce

SONRAKİ Zincir: DeFi Endüstrisinde Gözlerle Yeni Nesil Blockchain

büyük Veri2 gün önce

ABD IPO için çevrimiçi öğrenme platformu Coursera dosyaları

Blockchain4 gün önce

Daha Fazla Bağlantı ve Likidite İçin Elrond ve Reef Finance Ekibi

Blockchain4 gün önce

SushiSwap, Fantom Dağıtımından Sonra Çoklu Zincire Geçiyor

Blockchain4 gün önce

İşte Bitcoin'in 45,000 Dolara Doğru Neden Olabileceği

Blockchain5 gün önce

İngiltere Bütçesi, Bitcoin Kazançları için Vergi Artışlarından Kaçınıyor

Blockchain3 gün önce

Değiştirilemez Jetonlar - NFT 101 - İnsanlar Neden Kripto Sanatı ve Dijital Öğeler için Milyon Dolar Harcıyor

Blockchain4 gün önce

eToro ve DS TECHEETAH Sadece Kârlı Fırsatla Sponsorluğun Yüzünü Değiştirdi

Blockchain4 gün önce

Apple Pay Kullanıcıları Artık COTI'yi Simplex Üzerinden Satın Alabilir

Blockchain5 gün önce

Ethereum'un fiyat beklentileri: Bilmeniz gerekenler

İş Insider2 gün önce

Wall Street insanları haftanın taşınıyor: İşte Goldman Sachs, JPMorgan ve Third Point gibi firmalardaki promosyonlar, çıkışlar ve işe alımlar özetimiz.

Blockchain4 gün önce

TomoChain (TOMO) Önceki Tüm Zamanların En Yüksek Testinden Sonra Arttı

Blockchain4 gün önce

Tron Dapps Pazarı, MainNet'i Yakında Başlatmak İçin Her Şeye Hazır Olacak Köprü Olarak Oracle Arttırıyor

Blockchain4 gün önce

Silikon Vadisi merkezli Taraxa, Yaklaşan Halka Açık Satışın Ayrıntılarını Açıkladı

AR / VR5 gün önce

Farpoint Studio Tease Yaklaşan Oyun için Şifreli Mesaj

Trend