Среди основных событий на этой неделе: Element.ai, запущенный Йошуа Бенжио; Microsoft выпускает бета-версию CNTK; Передача стиля наддува от Google; Запустите классификатор изображений в собственном приложении для iOS.
Новости
Пионер искусственного интеллекта Йошуа Бенжио запускает Element.AI, инкубатор глубокого обучения
Один из отцов-основателей движения глубокого обучения строит технологический инкубатор в стиле Силиконовой долины для искусственного интеллекта.
Заставить компьютеры объяснять сами себя
Исследователи из Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института (CSAIL) разработали способ обучения нейронных сетей, чтобы они обеспечивали не только прогнозы и классификации, но и обоснование своих решений!
Microsoft выпускает бета-версию CNTK для глубокого обучения
Microsoft выпустила обновленную версию Microsoft Cognitive Toolkit (CNTK), которая используется для ускорения прогресса в таких областях, как распознавание речи и изображений и релевантность поиска на процессорах и графических процессорах NVIDIA. С новой версией исследователи также могут выполнять работу с искусственным интеллектом, называемую обучением с подкреплением.
Статьи
Как искусственный интеллект меняет рынок микросхем
графические процессоры. ПЛИС. ТПУ. Удачи, чтобы все было ровно.
Google: наш помощник откроет новую эру искусственного интеллекта
Ученые компании считают, что ее голосовой бот станет самым большим достижением после поиска.
Что такое искусственный интеллект? Информированное определение
Что такое искусственный интеллект (ИИ)? Мы принимаем этот термин как должное, но как мы можем сформулировать формальное определение? И действительно ли современные технологии отражают все, что подразумевает этот термин?
Мрачное видение Голливуда о захвате власти машинами противоречит тому, насколько ИИ далек от значимой реальности — и как он будет выглядеть, когда доберется до нее.
Учебники и инструменты
Машинное обучение повсюду: Netflix, персонализированная медицина и предотвращение мошенничества
Давайте рассмотрим несколько примеров машинного обучения в действии, чтобы понять, каково его влияние и что может быть в будущем. Эти примеры охватывают широкий диапазон, и мы надеемся, что вместе они нарисуют более четкую картину того, куда мы движемся с этими технологиями.
Multicore-TSNE: параллельная реализация t-SNE с Python и оболочкой Torch
Multicore-TSNE — Параллельная реализация t-SNE с оболочками Python и Torch от Дмитрия Ульянова.
TensorFlow для мобильных поэтов
Запуск вашего классификатора изображений в вашем собственном приложении iOS.
Исследовательская работа
Передача стиля Supercharging от Google
В документе Изученное представление художественного стиля представлен простой метод, позволяющий одной глубокой сверточной сети передачи стилей изучать несколько стилей одновременно. Сеть, изучив несколько стилей, может выполнять интерполяцию стилей, при которой стилизация плавно меняется от одного стиля к другому. Этот метод также позволяет интерполировать стили в реальном времени, что позволяет применять его не только к статическим изображениям, но и к видео.
Построение эффективной нейронной языковой модели на миллиарде слов
Facebook AI Research (FAIR) разработала адаптивный softmax — новую аппроксимацию функции softmax, адаптированную для графических процессоров для эффективного обучения языковых моделей на основе нейронных сетей с очень большими словарями. FAIR также разработала библиотеку с открытым исходным кодом под названием torch-rnnlib, которая позволяет исследователям разрабатывать новые рекуррентные модели и тестировать эти прототипы на графических процессорах с минимальными усилиями.
Может ли активная память заменить внимание? — Лукаш Кайзер и Сэми Бенжио
В последние годы в моделях глубокого обучения успешно использовались несколько механизмов, позволяющих сосредоточить внимание нейронной сети на выбранных частях ее ввода или памяти. Внимание улучшило классификацию изображений, подписи к изображениям, распознавание речи, генеративные модели и алгоритмические задачи обучения, но, вероятно, оно оказало наибольшее влияние на нейронный машинный перевод. Активная память, улучшенная по сравнению с вниманием в алгоритмических задачах, обработке изображений и генеративном моделировании.
Если вам нравится то, что вы читаете, пожалуйста, подпишитесь и порекомендуйте своим друзьям или поделитесь благодарностями в Твиттере! Буду рад услышать ваши предложения и рекомендации @deephunt_in или в комментариях ниже!
Первоначально опубликовано как Информационный бюллетень Deep Hunt.
