devdigest // data science

Channel photo updated

Создание системы прогнозирования с использованием AutoML

https://msdn.microsoft.com/en-us/magazine/mt833480.aspx

Нейросеть научилась рисовать сложные сцены по текстовому описанию.

Исследовательская группа Microsoft Research представила генеративно-состязательную нейросеть, которая способна генерировать изображения с несколькими объектами на основе текстового описания. В отличие от более ранних подобных алгоритмов text-to-image, способных воспроизводить изображения только базовых объектов, эта нейросеть может справляться со сложными описаниями более качественно.

https://habr.com/ru/company/microsoft/blog/457198/

Анонс ML.NET 1.1: новые типы, новые алгоритмы

https://devblogs.microsoft.com/dotnet/announcing-ml-net-1-1-and-model-builder-updates-machine-learning-for-net/

ARTificial: на заре искусственного интеллекта.

Как думаете, может ли искусственный интеллект творить? Или же он просто бездушная машина, способная лишь копировать? По ссылке ниже Microsoft рассказали о том, как их нейросети создавали перфомансы, писали музыку, картины и литературные произведения.

http://msft.it/6274TJKs8

Квантовые вычисления в играх с использованием Q#

https://habr.com/en/post/437352/

#junior
Good introduction article about base things
https://towardsdatascience.com/estimators-loss-functions-optimizers-core-of-ml-algorithms-d603f6b0161a

В 2018 году впервые состоялась конференция Digital Transformation Conference, посвященная проблемам оптимизации бизнес-процессов при помощи технологий искусственного интеллекта и машинного обучения.

В этом году мы решили провести Digital Transformation Conference, где ключевыми темами будут искусственный интеллект и облачные технологии на платформе Microsoft Azure. Ми пригласили спикеров-практиков, успешно интегрировших AI в различные бизнес-процессы, которые с радостью поделятся своим опытом:

Целевая аудтория:
- Software Developers/Cloud Architects
- Data Scientists
- Business Analysts
- DataOps
- DevOps
- Researches

Стоимость участия тоже приятно удивит - от 299 грн для студентов до 749 грн для специалистов.

А еще 10% от суммы проданных билетов мы перечислим социальному проекту ДонорUA.

Сайт конференции: https://dtconf.com

Для вопросов, предложений, сотрудничества - team@dtconf.com.

Как вы помните, на #build2019 объявили о том, что ML.NET уходит в релиз. Сегодня же мы предлагаем взглянуть на еще одно решение, призванное еще больше упростить выполнение задач, связанных с машинным обучением. AutoML - это новый инструмент, который проверяет различные алгоритмы ML.NET и сообщает, насколько хорошо каждый из них решает конкретную проблему. Пока что AutoML доступен только в preview релизе, но познакомиться с ним мы рекомендуем уже сегодня.

https://jamesmccaffrey.wordpress.com/2019/05/14/a-first-look-at-automl-for-the-ml-net-machine-learning-library/

Free Summer ML School in Kyiv(offline)
http://ml-school.railsreactor.com

#newbies
Collection of TF tutorials
https://www.youtube.com/playlist?list=PL9Hr9sNUjfsmEu1ZniY0XpHSzl5uihcXZ

На #build2019 Майкрософт представила AI инструментарий для робототехники

https://venturebeat.com/2019/05/06/microsoft-rolls-out-ai-and-robotics-toolkit-in-limited-preview/

А вот еще один интересный поток, где обсуждают Q#

ML.NET уходит в релиз!

https://devblogs.microsoft.com/dotnet/announcing-ml-net-1-0/

Текстовую трансляцию #build2019 смотрим тут 👉 https://t.me/build_2019

Про базовые термины в ML

https://rubikscode.net/2019/04/29/mathematics-for-artificial-intelligence-linear-algebra/

Как пишет ряд изданий, коллеги из Microsoft продвигают новый термин в тематике искусственного интеллекта — "machine teaching", или обучение машин. Под этим термином понимаются инструменты, позволяющие экспертам в любой области самостоятельно обучать систему ИИ.

В отличие от традиционного подхода "машинного обучения", требующего огромных массивов данных, "обучение машин" исходит из итерационного подхода с участием носителя знаний. Философски, это взгляд на задачу обучения с позиции учителя, который может объяснить, скорректировать, направить и проверить понимание. Это все кажется естественным в отношениях людей, но чтобы это работало с машинами, нужны новые инструменты.

Ключевые требования и преимущества таких решений:

— Отсутствие необходимости глубоких знаний в области ИИ со стороны экспертов. Информация для обучения абстрагирована от самого алгоритма.

— Быстрое создание собственных моделей: за счет использования экспертных знаний снижается потребность в размеченных данных. Можно начать вообще без размеченных данных.

— Легкое обновление моделей. Декомпозиция, присущая экспертному обучению, упрощает отладку, внесение корректив в данные и добавление новых фич.

— Повторное использование: легкая комбинация (чужих) моделей за счет декомпозиции, возможность заточки под конкретный домен.

В качестве примера готового сервиса Microsoft называет LUIS — облачный сервис для анализа текстов, и платформу Bonsai (куплена Microsoft в прошлом году), позволяющую экспертам описывать свои знания на языке высокого уровня (Inkling) и самостоятельно подбирающую модель на основании описания и обучающую ее в симуляции реальных условий.

Страница исследовательской группы: https://www.microsoft.com/en-us/research/group/machine-teaching-group/

Анонс новой темы в блоке Microsoft Research: https://blogs.microsoft.com/ai/machine-teaching

Обзор от Fast Company: https://www.fastcompany.com/90338498/machine-teaching-is-a-thing-and-microsoft-wants-to-own-it

Проблемы и задачи machine learning. Что может предложить ML.NET в сравнении с TensorFlow и CNTK.

https://www.erpsoftwareblog.com/2019/04/an-overview-of-ml-net/