@stahs: Machine learning tłumaczymy na "uczenie maszynowe".
Wykłady z Deep Learning
Prowadziliśmy wykłady na AGH.
z- 0
- #
- #
- #
- #
- #
- #
Microsoft wypuszcza Azure Machine Learning, platformę do uczenia maszynowego
Microsoft chce pomóc firmom analizować dane, budować interfejs do programowania aplikacji (API) i korzystać z danych w chmurze za pomocą uczenia maszynowego (Machine Learning). Obecnie Azure ML udostępnia API w R oraz w Python.
z- 1
- #
- #
- #
- #
- #
- #
AMA: sztuczna inteligencja
Jak już wczoraj wspomnieliśmy jesteśmy gotowi (more or less) na AMA o sztucznej inteligencji. Jesteśmy startupem, który zajmuje się machine learning i sieciami neuronowymi. Czekamy na wasze pytania
z- 455
- #
- #
- #
- #
- #
- #
@wd34: Biorąc pod uwagę dzisiejszą technologię NVidii uważamy, że Michio Kaku jest zbytnim pesymistą
https://www.youtube.com/watch?v=wNSWWOf6-Hw
https://www.youtube.com/watch?v=wNSWWOf6-Hw
@wd34: Kurs prowadzony przez Andrew Ng na coursera. Następnie kurs o sieciach neuronowych Geoffreya Hintona również z coursera. Aby być na bierząco polecamy deeplearninghub na twitterze.
https://www.coursera.org/course/ml
https://www.coursera.org/course/neuralnets
https://twitter.com/deeplearninghub
https://www.coursera.org/course/ml
https://www.coursera.org/course/neuralnets
https://twitter.com/deeplearninghub
@physicist:
1. Deep Learningiem, czyli algorytmami do tworzenia hierarchicznej reprezentacji danych. Kluczem do sztucznej inteligencji jest reprezentacja.
2. 80 mln neuronów, na mniejszą skalę 'Search by image' - http://www.google.com/insidesearch/features/images/searchbyimage.html
3. Tak.
5. W kolejnej dekadzie.
1. Deep Learningiem, czyli algorytmami do tworzenia hierarchicznej reprezentacji danych. Kluczem do sztucznej inteligencji jest reprezentacja.
2. 80 mln neuronów, na mniejszą skalę 'Search by image' - http://www.google.com/insidesearch/features/images/searchbyimage.html
3. Tak.
5. W kolejnej dekadzie.
@wiemcozrobiles: Do Tajlandii ;-)
@alpag:
Tak, ale nie tylko. Marketing, edukacja, finanse, rozszerzona rzeczywistość. Możemy tak długo wyliczać ...
http://blogs-images.forbes.com/anthonykosner/files/2014/12/shivon-zilis-Machine_Intelligence_Landscape_12-10-2014.jpg
Tak, ale nie tylko. Marketing, edukacja, finanse, rozszerzona rzeczywistość. Możemy tak długo wyliczać ...
http://blogs-images.forbes.com/anthonykosner/files/2014/12/shivon-zilis-Machine_Intelligence_Landscape_12-10-2014.jpg
@Hipokryta:
Probabilistic graphical models, Koller, Friedman.
Machine Learning, A Probabilistic Approach, Kevin
Jaką literaturę prócz Rutkowskiego polecacie?
Probabilistic graphical models, Koller, Friedman.
Machine Learning, A Probabilistic Approach, Kevin
@Quavitor:
1. Języki: python, java, scala, C++. Biblioteki: deeplearning4j, pylearn2, theano, torch7, numpy, nd4j
2. Nie jesteśmy na ten temat zgodni, ale zgodnie nie podzielamy obaw Elona Musk'a.
3. Uczenie maszynowe jest poddziedziną AI.
4. Istnieją tzw. state of the art, czyli metody osiągające najlepsze rezultaty obecnie, dla pewnych, konkretnych problemów. Przykładem state of the art jest algorytm opisany w publikacji naukowej Microsoftu, z której wzięło się to AMA, który
1. Języki: python, java, scala, C++. Biblioteki: deeplearning4j, pylearn2, theano, torch7, numpy, nd4j
2. Nie jesteśmy na ten temat zgodni, ale zgodnie nie podzielamy obaw Elona Musk'a.
3. Uczenie maszynowe jest poddziedziną AI.
4. Istnieją tzw. state of the art, czyli metody osiągające najlepsze rezultaty obecnie, dla pewnych, konkretnych problemów. Przykładem state of the art jest algorytm opisany w publikacji naukowej Microsoftu, z której wzięło się to AMA, który
@wiemcozrobiles: Po dyskusji filozoficznej, nie doszliśmy do konsensusu.
@alpag:
Tak, wszystkie. Przykładowo Deep Learning rekomenduje filmy na Netflixie, a lekarze przygotowują się do operacji na trójwymiarowych modelach generowanych przez algorytmy uczenia maszynowego.
Tak, wszystkie. Przykładowo Deep Learning rekomenduje filmy na Netflixie, a lekarze przygotowują się do operacji na trójwymiarowych modelach generowanych przez algorytmy uczenia maszynowego.
@wiemcozrobiles: Nie jesteśmy Samsungiem
http://www.cnet.com/news/samsungs-warning-our-smart-tvs-record-your-living-room-chatter/
http://www.cnet.com/news/samsungs-warning-our-smart-tvs-record-your-living-room-chatter/
@lysylucek3: Stosujemy definicję Erica Riesa:
Startup to instytucja stworzona do dostarczenia produktu lub usługi w warunkach ekstremalnej niepewności.
http://en.wikipedia.org/wiki/Lean_startup
Startup to instytucja stworzona do dostarczenia produktu lub usługi w warunkach ekstremalnej niepewności.
http://en.wikipedia.org/wiki/Lean_startup
@Grzegorz_Warzecha:
1. Tak, korzystaliśmy z Theano, SciPy. Aktualnie używamy Deeplearnig4J, wygląda optymistycznie
2. Np. znajdować semantycznie podobne do siebie obrazy
3. Docelowo przebić Apple ;-)
4. Tak, zapraszamy do współpracy
5. Mamy parę projektów, trzymamy się zasady "dwie pizze powinny wykarmić
1. Tak, korzystaliśmy z Theano, SciPy. Aktualnie używamy Deeplearnig4J, wygląda optymistycznie
2. Np. znajdować semantycznie podobne do siebie obrazy
3. Docelowo przebić Apple ;-)
4. Tak, zapraszamy do współpracy
5. Mamy parę projektów, trzymamy się zasady "dwie pizze powinny wykarmić
@Pienio69: Finansujemy się robiąc mniejsze zlecenia dla klientów, równocześnie budując swój produkt.
@Hipokryta:
1) Finansujemy się robiąc mniejsze zlecenia dla klientów, równocześnie budując swój produkt.
2) Wykorzystujemy języki Python, Java, Scala. Korzystamy z bibliotek theano i deeplearing4j
3) 4 lata
1) Finansujemy się robiąc mniejsze zlecenia dla klientów, równocześnie budując swój produkt.
2) Wykorzystujemy języki Python, Java, Scala. Korzystamy z bibliotek theano i deeplearing4j
3) 4 lata
@Gryzzli:
1. Data Science to tak naprawdę bardziej Data Engineering, ale w branży przyjęło się określenie Data Science. Praca Data Scientist polega na gromadzeniu, przetwarzaniu i analizowaniu danych.
2. Rzeczywiście w Polsce jest niewiele firm zajmujących się Data Science, ale liczba ta będzie szybko
1. Data Science to tak naprawdę bardziej Data Engineering, ale w branży przyjęło się określenie Data Science. Praca Data Scientist polega na gromadzeniu, przetwarzaniu i analizowaniu danych.
2. Rzeczywiście w Polsce jest niewiele firm zajmujących się Data Science, ale liczba ta będzie szybko
@wd34:
Tak, wiemy, że na AGH używa się Deep Learning'u. Jeżeli chodzi o uniwersytety na świecie to przodują Toronto, NYU, Montreal oraz Berkeley.
Tak, wiemy, że na AGH używa się Deep Learning'u. Jeżeli chodzi o uniwersytety na świecie to przodują Toronto, NYU, Montreal oraz Berkeley.
@matowoszary: W 1900 40% populacji USA pracowało w rolnictwie, teraz około 2%, ludzie mogli się zająć innymi branżami, w tym budową rakiet kosmicznych. Spodziewamy się podobnego skoku po wprowadzeniu sztucznej inteligencji na szerszą skalę w przemyśle.
@siper:
1. Tak, mamy projekty praktyczne.
2. Nie podzielamy obaw takich ludzi jak Stephen Hawking. Ignorują teorię przewagi
1. Tak, mamy projekty praktyczne.
2. Nie podzielamy obaw takich ludzi jak Stephen Hawking. Ignorują teorię przewagi
@lysylucek3: Nie ma jeszcze polskiego odpowiednika słowa "startup", dlatego go używamy.
@erb_: Nie, nie znamy.
@xyz23: Musisz zbadać czy jest na nią popyt. Jeśli jest, musisz zbudować produkt o minimalnej koniecznej funkcjonalności (MVP)i potem ewentualnie szukać inwestora.
@nieuwlaczajac:
Istnieje dowód matematyczny, że jakoś działania sieci neuronowej nie maleje wraz ze wzrostem wielkości.
Polecamy znakomite wystąpienie Christian'a Szegedy'ego https://www.youtube.com/watch?v=ySrj_G5gHWI
Istnieje dowód matematyczny, że jakoś działania sieci neuronowej nie maleje wraz ze wzrostem wielkości.
Polecamy znakomite wystąpienie Christian'a Szegedy'ego https://www.youtube.com/watch?v=ySrj_G5gHWI
@dixx: Pracownik miesiąca: 18.5h
@tdudzik:
1. Nie jesteśmy zapoznani z tą specjalizacją. Jeśli chodzi o Kraków to polecamy AGH i informatykę na WIEiT
2. Tak, w Krakowie, ślij CV na contact@craftinity.com ;>
1. Nie jesteśmy zapoznani z tą specjalizacją. Jeśli chodzi o Kraków to polecamy AGH i informatykę na WIEiT
2. Tak, w Krakowie, ślij CV na contact@craftinity.com ;>
@KawaJimmiego: W uproszczeniu, wytrenowana sieć neuronowa to parę dość dużych tablic zawierających liczby. Jeśli rozpoznawalibyśmy cyfry pisane ręcznie (przypadek prostszy od kota) to każdy wiersz w pierwszej tablicy próbowałby rozpoznać inną cechę obrazka, jak np. zakrzywienie w górnej części cyfry '2'. Jeśli zostałaby ta cecha wykryta mogłoby to wskazywać że widzimy dwójkę, tę informację wykorzystałyby kolejne warstwy sieci. Sprawdzenie każdej liczby w tablicy nie jest dobrym sposobem analizy, ale są
@Bumcykowy:
Marginal space learning (cześć powiązana z object detection), głębokie sieci konwolucyjne
Marginal space learning (cześć powiązana z object detection), głębokie sieci konwolucyjne
@kamcioju: wyślij maila: contact@craftinity.com
@melekhov: Osobiście jestem fanem Octave, ale przyznaje, Matlab jest świetnym narzędziem pozwalającym szybko prototypować sieci neuronowe. Aktualnie go nie używamy
@Dolan:
1. 25
2. Realizuje się dużo praktycznych projektów i przerabia się dobrą literaturę.
3. Matematyka bardzo się przydaje. Znajomość biologii i chemii mogła by się przydać w konkretnych zastosowaniach.
1. 25
2. Realizuje się dużo praktycznych projektów i przerabia się dobrą literaturę.
3. Matematyka bardzo się przydaje. Znajomość biologii i chemii mogła by się przydać w konkretnych zastosowaniach.
@Sok_Pomaranczowy:
1. Zależy na jakie stanowisko :> Przykładowo na data scientist, znajomość computer vision/classical machine learning/deep learning. Jeśli chodzi o technologie, to dobrze byłoby żebyś znał, którąś którą używamy obecnie, ale wiemy, że język programowania nie jest sprawą nadrzędną w trakcie rozmowy kwalifikacyjnej (przynajmniej nie u nas :))
2. Nauczyć się deeplearning4j i zaaplikować do nas
1. Zależy na jakie stanowisko :> Przykładowo na data scientist, znajomość computer vision/classical machine learning/deep learning. Jeśli chodzi o technologie, to dobrze byłoby żebyś znał, którąś którą używamy obecnie, ale wiemy, że język programowania nie jest sprawą nadrzędną w trakcie rozmowy kwalifikacyjnej (przynajmniej nie u nas :))
2. Nauczyć się deeplearning4j i zaaplikować do nas
@Kalan: Modelowanie lewego przedsionka serca w Siemens Corporate Research w New Jersey, prace dyplomowe wykorzystujące deep learning, sporo rozwoju we własnym zakresie.
@Wilier: Robiliśmy już kilka i będzie ich więcej. Za niedługo zrobimy wykład dostępny dla szerszego grona, ale jeszcze nie możemy zdradzić szczegółów.
@Ovy: Używamy, nie wspomnieliśmy o tym wcześniej ponieważ wymienialiśmy tylko biblioteki wspomagające wprost deep learning.
@Sh1eldeR:
1. Nie sądzimy, że hiperzawaansowanej AI będzie się zagłada ludzkości opłacać.
http://pl.wikipedia.org/wiki/Teoria_przewagi_komparatywnej
1. Nie sądzimy, że hiperzawaansowanej AI będzie się zagłada ludzkości opłacać.
http://pl.wikipedia.org/wiki/Teoria_przewagi_komparatywnej
@michau6211:
1. Dynamicznie rosnący.
2. M. in. zrobiliśmy aplikację podobną do google search by image na mniejszą skalę (niestety obecnie nie może być udostępniona w internecie)
3. Matlab jest fajny, ale nie open-sourcowy. Dla naszych zastosowań Python jest lepszy od R.
3. Jeśli przekonasz
1. Dynamicznie rosnący.
2. M. in. zrobiliśmy aplikację podobną do google search by image na mniejszą skalę (niestety obecnie nie może być udostępniona w internecie)
3. Matlab jest fajny, ale nie open-sourcowy. Dla naszych zastosowań Python jest lepszy od R.
3. Jeśli przekonasz
@karolius: Na początek polecamy kurs z coursera prowadzony przez Andrew Ng, który nie wymaga zbyt zaawansowanej matematyki, a już w połowie kursu tworzymy sieć rozpoznającą cyferki. Przydaje się dobra znajomość algebry liniowej.
@somebody:
Uczenie się sieci polega na optymalizacji funkcji kosztu. Funkcja kosztu jest tym większa im cześciej sieć się myli (tym mniejsza im rzadziej). W procesie uczenia staramy się znaleźć dobre minimum lokalne funkcji kosztu stosując jakiś algorytm optymalizacji (np. conjugate gradient).
Uczenie się sieci polega na optymalizacji funkcji kosztu. Funkcja kosztu jest tym większa im cześciej sieć się myli (tym mniejsza im rzadziej). W procesie uczenia staramy się znaleźć dobre minimum lokalne funkcji kosztu stosując jakiś algorytm optymalizacji (np. conjugate gradient).
@rubesom:
W tym, że nie znamy algorytmu. Przykładowo, Deep Learning próbuje naśladować zachowanie ludzkiego mózgu i robi to bardzo niedokładnie. Bardzo trudno jest to robić dobrze, a tym bardziej, że nie wiemy jak dokładnie mózg ludzki działa.
W tym, że nie znamy algorytmu. Przykładowo, Deep Learning próbuje naśladować zachowanie ludzkiego mózgu i robi to bardzo niedokładnie. Bardzo trudno jest to robić dobrze, a tym bardziej, że nie wiemy jak dokładnie mózg ludzki działa.
@cibor: Tak, używamy. Wspiera to np. theano i deeplearning4j. Wzrost wydajności jest ogromny. Korzystamy ze sprzętu dostępnego na Amazon Elastic Cloud.
@LordJelly: Parę sławnych osób rozważało tą kwestię, np: Elon Musk lub Stephen Hawking
http://www.bbc.com/news/technology-30290540
http://www.wired.com/2015/01/elon-musk-ai-safety/
http://www.bbc.com/news/technology-30290540
http://www.wired.com/2015/01/elon-musk-ai-safety/
@McLennon: Ja przepisałem się z robotyki na informatykę, studiowałem dokładnie tam gdzie Ty teraz. Decyzji zdecydowanie nie żałuje ;-)
@marooned:
Pierwszy strzał, tworzymy semantyczną przestrzeń danych, w której kodujemy obrazki (które wyszukujemy na większych obrazach) jako krótkie kody binarne za pomocą Deep Belief Network. Podobne obrazki mają podobne kody semantyczne. Następnie robimy sliding window po nowym obrazku, kodujemy pośrednie okna i porównujemy kody binarne okna oraz wejściowego obrazka, który mamy wykryć. Jeżeli są podobne to wykryliśmy obrazek, jeśli nie to nie.
Polecamy kurs Geoffrey'a Hinton'a z coursera o sieciach
Pierwszy strzał, tworzymy semantyczną przestrzeń danych, w której kodujemy obrazki (które wyszukujemy na większych obrazach) jako krótkie kody binarne za pomocą Deep Belief Network. Podobne obrazki mają podobne kody semantyczne. Następnie robimy sliding window po nowym obrazku, kodujemy pośrednie okna i porównujemy kody binarne okna oraz wejściowego obrazka, który mamy wykryć. Jeżeli są podobne to wykryliśmy obrazek, jeśli nie to nie.
Polecamy kurs Geoffrey'a Hinton'a z coursera o sieciach
@JavaEngineer:
Potrzebujemy osób na stanowisko data scientist, a więc ludzi ze znajomością computer vision/machine learning/deep learning. Cenimy szybkość poznawania nowych technologii. Wybieramy najlepsze narzędzie do rozwiązania problemu.
Deeplearning4j i platforma Kaggle (bardzo dużo ciekawych problemów).
Potrzebujemy osób na stanowisko data scientist, a więc ludzi ze znajomością computer vision/machine learning/deep learning. Cenimy szybkość poznawania nowych technologii. Wybieramy najlepsze narzędzie do rozwiązania problemu.
Deeplearning4j i platforma Kaggle (bardzo dużo ciekawych problemów).
@ozzie:
Nie używamy obecnie caffe właśnie z powodu kiepskiej dokumentacji w stosunku do theano czy deeplearning4j
Nie używamy obecnie caffe właśnie z powodu kiepskiej dokumentacji w stosunku do theano czy deeplearning4j
@pawelk89: 1. O najciekawszym nie mogę powiedzieć :-(
2. Jest potencjał, ML rozwija się w tym momencie bardzo szybko i prawdopodobnie jego elementy zostaną wykorzystane w najwydajniejszych algorytmach rozwiązujących zaproponowane przez Ciebie problemy
3. NLP, rozpoznawanie obrazów
4. W praktycznie każdej dziedzinie będą przydatne, jednak najlepiej po informatyce zostać w branży w firmie która dostarcza takie rozwiązania innym. W finansach mogą do końca nie wiedzieć jakich rozwiązań oczekują.
2. Jest potencjał, ML rozwija się w tym momencie bardzo szybko i prawdopodobnie jego elementy zostaną wykorzystane w najwydajniejszych algorytmach rozwiązujących zaproponowane przez Ciebie problemy
3. NLP, rozpoznawanie obrazów
4. W praktycznie każdej dziedzinie będą przydatne, jednak najlepiej po informatyce zostać w branży w firmie która dostarcza takie rozwiązania innym. W finansach mogą do końca nie wiedzieć jakich rozwiązań oczekują.
@Maoryska:
Dla nas znaczenie mają umiejętności, nie certyfikaty ukończenia studiów, kursów itd. Myślimy, że coraz więcej pracodawców podziela naszą opinię w tej branży.
Jeśli chodzi o naukę, to jakiś kurs z edx/coursera/udacity typu "Introduction to programming". Dobrym ruchem byłoby jak najszybsze znalezienie praktyk w zawodzie, co można zrobić po ~ 6 miesiącach nauki.
Dla nas znaczenie mają umiejętności, nie certyfikaty ukończenia studiów, kursów itd. Myślimy, że coraz więcej pracodawców podziela naszą opinię w tej branży.
Jeśli chodzi o naukę, to jakiś kurs z edx/coursera/udacity typu "Introduction to programming". Dobrym ruchem byłoby jak najszybsze znalezienie praktyk w zawodzie, co można zrobić po ~ 6 miesiącach nauki.
@Sok_Pomaranczowy:
Teoria w jakimś stopniu jest konieczna do efektywnego wykorzystywania ML w praktyce. Doktorat jest dobrym pomysłem jeśli chcesz pracować czysto badawczo, ale niekoniecznie jeśli chcesz robić produkty wykorzystujące ML
Teoria w jakimś stopniu jest konieczna do efektywnego wykorzystywania ML w praktyce. Doktorat jest dobrym pomysłem jeśli chcesz pracować czysto badawczo, ale niekoniecznie jeśli chcesz robić produkty wykorzystujące ML
@bill-adamsonn: Nie pracowaliśmy na uczelni, firmę założyliśmy zaraz po studiach
@Eragon91: 1. Jako Craftinity nie startowaliśmy
2. Wspomagamy sprzedaż naszych klientów
3. R nadaje się do analizy danych, do ML polecamy właśnie Pythona oraz Jave/Scale
4. Deep Learning :D
Odwiedź http://knbit.edu.pl/en/wiki/ai/ coś ciekawego na pewno znajdziesz
2. Wspomagamy sprzedaż naszych klientów
3. R nadaje się do analizy danych, do ML polecamy właśnie Pythona oraz Jave/Scale
4. Deep Learning :D
Odwiedź http://knbit.edu.pl/en/wiki/ai/ coś ciekawego na pewno znajdziesz
@JavaEngineer:
Kurs machine learning Andrew Ng z coursera, potem kurs o sieciach neuronowych Geoffrey'a Hintona też z coursera. Od strony praktycznej polecamy: 'Machine learning in action' z wydawnictwa Manning (kody w Pythonie - my lubimy Pythona i polecamy :>). Jeśli chodzi o Javę to jak pisaliśmy wcześniej, deeplearning4j, ale polecamy też Scalę :>
Kurs machine learning Andrew Ng z coursera, potem kurs o sieciach neuronowych Geoffrey'a Hintona też z coursera. Od strony praktycznej polecamy: 'Machine learning in action' z wydawnictwa Manning (kody w Pythonie - my lubimy Pythona i polecamy :>). Jeśli chodzi o Javę to jak pisaliśmy wcześniej, deeplearning4j, ale polecamy też Scalę :>
Dzięki za AMA. Kończymy na dziś.
@marooned:
Dużo łatwiej będzie Ci zacząć z pylearn2. Polecam deeplearning.net i tutoriale z tamtej strony. Bardzo łatwo zaimplementować Deep Belief Network w theano. Możliwe, że wkrótce udostępnimy kod na naszym githubie.
Dużo łatwiej będzie Ci zacząć z pylearn2. Polecam deeplearning.net i tutoriale z tamtej strony. Bardzo łatwo zaimplementować Deep Belief Network w theano. Możliwe, że wkrótce udostępnimy kod na naszym githubie.
@JavaEngineer:
Jasne, to nie język sprawia, że programujesz funkcyjnie, język może conajwyżej to ułatwić lub starać się narzucić. Wolimy Scalę, bo nie jest tak boilerplate jak Java.
Jasne, to nie język sprawia, że programujesz funkcyjnie, język może conajwyżej to ułatwić lub starać się narzucić. Wolimy Scalę, bo nie jest tak boilerplate jak Java.
@LeGgo:
1. to jest wymaganie dopiero dla seniora ;>
2. Recytacja The Zen of Python z pamięci na wyrywki.
3. Strong AI
4. Jeszcze nie ;>
1. to jest wymaganie dopiero dla seniora ;>
2. Recytacja The Zen of Python z pamięci na wyrywki.
3. Strong AI
4. Jeszcze nie ;>
@Ajakamr:
1) Przeciętna karta Nvidii jest całkiem potężna. Można też programować w C++ z użyciem instrukcji SSE4.2 na CPU. Do nauki jest to na pewno wystarczające, do pracy naukowej niekoniecznie, do komercji na pewno nie. Szczęśliwie istnieje Amazon Web Services i można sobie wynająć potężne karty graficzne za $0.08 (spot instance na tą chwilę) na godzinę.
2) Używamy deeplearning4j w Scali i piszemy nasz kod w Scali.
1) Przeciętna karta Nvidii jest całkiem potężna. Można też programować w C++ z użyciem instrukcji SSE4.2 na CPU. Do nauki jest to na pewno wystarczające, do pracy naukowej niekoniecznie, do komercji na pewno nie. Szczęśliwie istnieje Amazon Web Services i można sobie wynająć potężne karty graficzne za $0.08 (spot instance na tą chwilę) na godzinę.
2) Używamy deeplearning4j w Scali i piszemy nasz kod w Scali.
@PsiKutasBezS:
http://www.enlitic.com - oni robią Deep Learning w medycynie. Siemens zajmuje się analizą obrazów z CT oraz MRI od bardzo dawna.
http://www.enlitic.com - oni robią Deep Learning w medycynie. Siemens zajmuje się analizą obrazów z CT oraz MRI od bardzo dawna.
Deep Learning dla programistów - Studencki Festiwal Informatyczny
Sieci neuronowe towarzyszyły badaniom nad sztuczną inteligencją od wielu dekad. W 2006 r. nastąpił przełom w ich trenowaniu. Nowe podejście zwane deep learningiem znacznie ulepszyło uczenie hierarchicznych reprezentacji danych. 30 lat temu jedynie Alan Kay rozumiał programowanie obiektowe, dziś
z- 0
- #
- #
- #
- #
- #
- #
Treść przeznaczona dla osób powyżej 18 roku życia...
@Craftinity: Wybaczcie, ale nie mogłem się powstyrzymać
źródło: comment_BhYqP6DSGxwA4UeTClT6CY8lJcIkXYGl.jpg
Pobierz
@Craftinity: skąd ta dysproporcja w wielkości Waszych głów?
źródło: comment_HwVV9yHphbtN7BBL5tQ3R1VRZRuOj5eY.jpg
Pobierz
Craftinity znalazło się w tym gronie i nie ukrywamy, że jesteśmy z tego powodu dumni. Więcej informacji na Najlepsze polskie startupy oraz http://25startupow.pl
#chwalesie #programowanie #startup
źródło: comment_bjeIa1zkv4IiHfrF8peaGfbqfsw7ctal.jpg
Pobierz