1) AI i Big Data w klimatologii 01:15 Dysponujemy dziś już nie tyle gigabajtami czy terabajtami, a petabajtami danych klimatycznych. Nasz glob okrąża ponad 600 satelitów monitorujących na żywo niemal każdy wyobrażalny parametr fizyczny i biologiczny. Co zrobić z tym nawałem danych? I jak wykorzystać współczesne techniki "głębokiego" uczenia maszynowego tak, abyśmy wraz z suchym wynikiem zaoferowanym nam przez sieć neuronową uzyskali też nieco wiedzy, zrozumienia i wglądu w funkcjonowanie świata przyrody? #klimat #sztucznainteligencja #deeplearning
2) Pamięć ulotna 11:04 Typowy pojedynczy neuron myszki pozostaje aktywny przez 20-30 milisekund. Jak to się więc dzieje, że zwierzęta te potrafią przechowywać pewne fakty w pamięci krótkoterminowej, aby po kilku sekundach prawidłowo wybrać - przykładowo - jedno z dwóch poidełek? Omawiane przeze mnie dzisiaj badanie kory ruchowej myszek mówi nam oczywiście również coś o nas samych. #neurobiologia #kognitywistyka
3) Mała i duża nauka 19:18 Zespoły badawcze robią się coraz większe i ze świecą szukać w "Nature" czy "Science" artykułu napisanego przez jedną tylko osobę. Jak to jednak wpływa na naukę? W opowiadanym przeze mnie dziś badaniu autorzy zbadali, jak nakładają się na siebie dwie skale: rozmiar grupy badawczej publikującej dany artykuł kontra stopień, w jakim artykuł ten "wzburzył" społeczność naukowców. W skrócie: mniejsze grupki silniej zaburzają naukę. Ale to nie koniec: autorzy opracowali piękną metodę wizualizowania wpływu danego artykułu na naukę: mamy więc świetny pretekst estetyczny, żeby przeczytać ich artykuł. #dataisbeautiful
Źródła: 1) Markus Reichstein, Gustau Camps-Valls, Bjorn Stevens, Martin Jung, Joachim Denzler, Nuno Carvalhais & Prabhat (2019). Deep learning and process understanding for data-driven Earth system science. Nature 566, 195–204. [ https://doi.org/10.1038/s41586-019-0912-1 ] 2) Inagaki, H. K., Fontolan, L., Romani, S., & Svoboda, K. (2019). Discrete attractor dynamics underlies persistent activity in the frontal cortex. Nature, 566, 212–217 [ https://doi.org/10.1038/s41586-019-0919-7 ] 3) Wu, L., Wang, D., & Evans, J. A. (2019). Large teams develop and small teams disrupt science and technology. Nature, 13.02.2019 [ https://doi.org/10.1038/s41586-019-0941-9 ]
Kto sobie życzy dołączyć do wspaniałego grona wołanych, może napisać mi o tym w liście, heksametrem antycznym, ewentualnie zaplusować NINIEJSZY komentarz. Do wyboru.
Szczerze mówiąc, to ja po prostu nie mam nic konstruktywniejszego do roboty
@LukaszLamza: Zapraszam więc do pomocy. Trzeba rzodkiewki już wysiewać. Muszę wymienić ziemię,dosypać kompostu. Każda para rąk przyda się.( ͡°͜ʖ͡°) Będziesz miał swoją grządkę do objedzenia. Dzięki za zawołanie.( ͡°͜ʖ͡°)
I jak wykorzystać współczesne techniki "głębokiego" uczenia maszynowego
@LukaszLamza: że jak robi się za gorąco od globalnego ocieplenia, to program analizujący dane automatycznie się wyłącza. Ten system nazywa się "CPU Thermal Protection".
@LukaszLamza: Mam rzodkiewkę która jest do zbioru już po 18 dniach od wysiania gdy są sprzyjające warunki. Zaczynam powoli przygotowywać tunel, masz więc czas do namysłu.( ͡°͜ʖ͡°) Siejesz i przyjeżdżasz zebrać, przy okazji pooddychasz świeżym wiejskim powietrzem.( ͡°͜ʖ͡°)
@powsinogaszszlaja: Nie kuś, bo przyjadę. ( ͡°͜ʖ͡°) Miałem przez jakiś czas tzw. działkę rekreacyjną i to było coś wspaniałego tak sobie skopać trochę gruntu. :)
@LukaszLamza: Będę kusił. Wyobraź sobie, że masz przed sobą całą michę i chrupiesz...chrupiesz...chrupiesz bez opamiętania.( ͡°͜ʖ͡°) Może też innych skuszę do wysiania.( ͡°͜ʖ͡°)
@LukaszLamza: Taka refleksja po obejrzeniu fragmentu o pogodzie/klimacie i big data. Wiem że artykuł skupia się na problemach z przewidywaniem pogody, które są związane z ograniczeniami technologicznymi. O ile się dobrze orientuję to jednak z przewidywaniem pogody w dłuższej perspektywie jest inny znacznie istotniejszy problem. Chodzi o chaos deterministyczny. Na jego skutek - nawet gdybyśmy mieli 100000 razy więcej danych i każda byłaby 100000 razy dokładniejsza, oraz dyspowalibyśmy 100000 razy większą
@TomAss83: Ależ oczywiście. Przyznam, że nie wspomniałem o tym - chyba źle zrobiłem - bo założyłem, że o kwestii chaotyczności układów pogodowych już się trochę mówiło. Pewnie powinienem był to wyraźnie zaznaczyć. Ale, swoją drogą, występują też interesujące "telepowiązania" (teleconnections) pogodowe, które wydają się "przekraczać skale", tj. powiązania nie wynikające z kaskady lokalnych powiązań - a tutaj byśmy mieli bardzo silne rozjeżdżanie się ścieżek - tylko jak gdyby "ponad nimi". Mówię
Odcinek: https://www.youtube.com/watch?v=zSH9UUCWKqw
Znalezisko: https://www.wykop.pl/link/4816025/czytamy-nature-13-ai-i-big-data-w-klimatologii-pamiec-mala-czy-duza-nauka/
1) AI i Big Data w klimatologii 01:15
Dysponujemy dziś już nie tyle gigabajtami czy terabajtami, a petabajtami danych klimatycznych. Nasz glob okrąża ponad 600 satelitów monitorujących na żywo niemal każdy wyobrażalny parametr fizyczny i biologiczny. Co zrobić z tym nawałem danych? I jak wykorzystać współczesne techniki "głębokiego" uczenia maszynowego tak, abyśmy wraz z suchym wynikiem zaoferowanym nam przez sieć neuronową uzyskali też nieco wiedzy, zrozumienia i wglądu w funkcjonowanie świata przyrody? #klimat #sztucznainteligencja #deeplearning
2) Pamięć ulotna 11:04
Typowy pojedynczy neuron myszki pozostaje aktywny przez 20-30 milisekund. Jak to się więc dzieje, że zwierzęta te potrafią przechowywać pewne fakty w pamięci krótkoterminowej, aby po kilku sekundach prawidłowo wybrać - przykładowo - jedno z dwóch poidełek? Omawiane przeze mnie dzisiaj badanie kory ruchowej myszek mówi nam oczywiście również coś o nas samych. #neurobiologia #kognitywistyka
3) Mała i duża nauka 19:18
Zespoły badawcze robią się coraz większe i ze świecą szukać w "Nature" czy "Science" artykułu napisanego przez jedną tylko osobę. Jak to jednak wpływa na naukę? W opowiadanym przeze mnie dziś badaniu autorzy zbadali, jak nakładają się na siebie dwie skale: rozmiar grupy badawczej publikującej dany artykuł kontra stopień, w jakim artykuł ten "wzburzył" społeczność naukowców. W skrócie: mniejsze grupki silniej zaburzają naukę. Ale to nie koniec: autorzy opracowali piękną metodę wizualizowania wpływu danego artykułu na naukę: mamy więc świetny pretekst estetyczny, żeby przeczytać ich artykuł. #dataisbeautiful
Źródła:
1) Markus Reichstein, Gustau Camps-Valls, Bjorn Stevens, Martin Jung, Joachim Denzler, Nuno Carvalhais & Prabhat (2019). Deep learning and process understanding for data-driven Earth system science. Nature 566, 195–204. [ https://doi.org/10.1038/s41586-019-0912-1 ]
2) Inagaki, H. K., Fontolan, L., Romani, S., & Svoboda, K. (2019). Discrete attractor dynamics underlies persistent activity in the frontal cortex. Nature, 566, 212–217 [ https://doi.org/10.1038/s41586-019-0919-7 ]
3) Wu, L., Wang, D., & Evans, J. A. (2019). Large teams develop and small teams disrupt science and technology. Nature, 13.02.2019 [ https://doi.org/10.1038/s41586-019-0941-9 ]
#nauka #liganauki #ligamozgow #gruparatowaniapoziomu #conowegownejczer
@32cm, @aaadam91, @Ag3SbS3, @ancymonek, @Aquz, @ArtyQ, @atamcichobyc, @azzQ, @bagi1, @BeSmarter, @Bivara, @bochenek_piwa_poprosze, @Bool1410, @broczapa, @Brodzacy_w_Zbozowej, @byt199, @Ciascio, @ciemnagwiazda, @czemu_nie, @damroka17, @darnok23, @DezorientacjaKota, @dlugi_, @dontonek, @Droden, @drWind, @EdlortKalen
@Ejdemson, @ElCidX, @Epidemiusz, @Eswemenasja, @fottiti, @Godzill, @gorzka, @Herflik, @hortu, @Isanell, @janekos, @Jin, @jwitos, @k8lin, @kaktus_z_ostrymi_kolcami, @kartofel, @Klara_Polzl, @krecik000, @Krul_Janusz_I_Passat, @krwawy_karzel, @kupuje_bulki_w_almie, @lesnywalker, @lezkaniebieska, @Life_will_kill_ya, @Luczexx, @magenciorek, @maitrechocolatier
@MandarynWspanialy, @ManfredMacx, @MarcinusZ, @Matgolfin1, @Mleko_O, @mustika, @mynameis60, @niegadaj, @nyszom, @Obruni, @Obstrukcja, @OpticKestrel, @Patrykm, @plnk, @podli, @Prekambr, @przecietna, @Quimeen, @RFpNeFeFiFcL, @rhqq, @ropucha_paskowka, @Sarikaw, @scyth, @SirArthur, @slaper, @smyl, @Sparkerix
@SzegeMege, @szypkafrytka, @Tapirro, @taraqui, @TheOranguTANK, @thevelvetunderground, @Tom_Ja, @TomAss83, @tractat, @Virsky, @wati, @WCXZ, @wojtas1978, @wolna_mediana, @wolny_kangur, @Yirmeyahu, @ZEKORI_, @zly_dzien
@shadow85, @misza_zg, @powsinogaszszlaja, @BionicA, @Newsio, @DzikaLesnaKuna, @Kokoi91, @mrleibo, @piomek, @Pan_Slawek, @tenloginjestpowazny, @JSkrzetuski, @powsinogaszszlaja, @akcer, @iAmTS, @ziemniak159, @Walther00, @Filodendron, @KudlataKaczka
@LukaszLamza: Zapraszam więc do pomocy. Trzeba rzodkiewki już wysiewać. Muszę wymienić ziemię,dosypać kompostu. Każda para rąk przyda się.( ͡° ͜ʖ ͡°) Będziesz miał swoją grządkę do objedzenia.
Dzięki za zawołanie.( ͡° ͜ʖ ͡°)
@LukaszLamza: że jak robi się za gorąco od globalnego ocieplenia, to program analizujący dane automatycznie się wyłącza. Ten system nazywa się "CPU Thermal Protection".
@LukaszLamza: Będę kusił. Wyobraź sobie, że masz przed sobą całą michę i chrupiesz...chrupiesz...chrupiesz bez opamiętania.( ͡° ͜ʖ ͡°) Może też innych skuszę do wysiania.( ͡° ͜ʖ ͡°)
źródło: comment_TXkn4VRyIbt5DKL6hlrsqBYW6vIOG5La.jpg
PobierzTaka refleksja po obejrzeniu fragmentu o pogodzie/klimacie i big data.
Wiem że artykuł skupia się na problemach z przewidywaniem pogody, które są związane z ograniczeniami technologicznymi. O ile się dobrze orientuję to jednak z przewidywaniem pogody w dłuższej perspektywie jest inny znacznie istotniejszy problem. Chodzi o chaos deterministyczny. Na jego skutek - nawet gdybyśmy mieli 100000 razy więcej danych i każda byłaby 100000 razy dokładniejsza, oraz dyspowalibyśmy 100000 razy większą