[bp-lukasz]

◢ #ainews ◣
Zapraszam na czwarte zestawienie najciekawszych linków ze świata sztucznej inteligencji

1. What is Reinforcement Learning
https://deepsense.ai/what-is-reinforcement-learning-the-complete-guide/
INFO: OpenAI za pomocą uczenia ze wzmocnieniem potrafiło pokonać najlepszego gracza w dotę ucząc sieć przez zaledwie 2 tygodnie. Koncepcja nie jest łatwa, ale zdecydowanie rozwiązuje jedne z najbardziej skomplikowanych problemów.

2. Why GIT is not enough for data science?
https://towardsdatascience.com/why-git-is-not-enough-for-data-science-7002995d9e16
INFO: Ciekawe spojrzenie na system kontroli wersji GIT pod kątem projektów data science. Autor pokazuje słabe strony GITa i o tym jak sobie z tym radzić.

3. Awesome python
https://github.com/vinta/awesome-python
INFO: Ogromna lista bibliotek, frameworków i źródeł dla języka Python. Wszystko posortowane w ramach kategorii takich jak przetwarzanie obrazu, przetwarzanie tekstu, algorytmy, struktury danych, wizualizacja danych…

4. What Robots need to Succeed
https://www.roboticsbusinessreview.com/opinion/what-robots-need-to-succeed-machine-learning-to-teach-effectively/
INFO: Roboty nie potrzebują już sztywnego programowania postępowania. Mogą uczyć się na własnych błędach. Jedyne czego potrzebują to funkcja celu.

5. The real value of a degree for aspiring data scientists
https://towardsdatascience.com/the-value-of-a-degree-for-aspiring-data-scientists-8c42a261e502
INFO: Czy stopień naukowy pomaga w pracy data sciencisty? Komentarz z perspektywy osoby z tytułem doktora

6. Introduction To Autoencoders
https://www.jeremyjordan.me/autoencoders/
INFO: Kiedy myślisz, że twojego dzieła sztuki nie da się podrobić i ktoś pokazuje Ci sposób działania autoenkoderów. Większość architektur do transferu stylu wykorzystuje ten mechanizm a sieci syjamskie (ang. Siamese Network) wykorzystują autoenkodowanie do autoryzacji twarzą.

7. Neural Nets for Generating Music
https://medium.com/artists-and-machine-intelligence/neural-nets-for-generating-music-f46dffac21c0
INFO: Świetny artykuł na temat zastosowania sieci rekurencyjnych do generowania muzyki. Wystarczy kilkadziesiąt sekund danych treningowych i dzisiejsze rozwiązania są w stanie naśladować każdy głos :)

9. Machine Learning on Mobile Phone:
https://heartbeat.fritz.ai/machine-learning-on-mobile-what-can-you-actually-do-with-it-8437fa782165
INFO: Wiedziałem, że moc telefonów wzrasta, ale że aż tak… Segmentacja obrazu na telefonie

10. The Metric System: How to Correctly Measure Your Model
https://towardsdatascience.com/the-metric-system-how-to-correctly-measure-your-model-17d3feaed6ab
INFO: Trochę o metrykach, czyli jak poprawnie mierzyć jakość i porównywać modele uczenia maszynowego
--------------------------------------------------------------------------------------------------------------
Plusujcie, komentujcie i dajcie znać, czy ma to sens (✌ ﾟ ∀ ﾟ)☞

#ainews ← Tag do obserwowania

#ainews, #sztucznainteligencja, #uczeniemaszynowe, #technologia #ciekawostki #artificialintelligence #bigdata #machinelearning #programista15k #datascience

[Popcornn1]

Kolejny raz super robota

[bp-lukasz]

@Popcornn1: Wydaje mi się, że to przychodzi z doświadczeniem. Powoli zaczynasz obserwować autorów, których artykuły/publikacje/książki Ci się podobały, zaczynasz szybko weryfikować wartość treści i odsuwać słabszy materiał. Oczywiście to wszystko jest możliwe dopiero po niemałym zapoznaniu się z uczeniem maszynowym. Jeśli chodzi o konkrety, to: obserwuję popularne tagi z tej dziedziny na Reddit oraz Wykop. Dodatkowo na Twitterze co jakiś czas sprawdzam wpisy takich ludzi jak Ian Goodfellow, Andrew Ng. Jest