Машинное обучение

  • Hi-Tech

    Сотрудник Netflix создал нейросеть для поиска поцелуев в фильмах

    Тем не менее разработчики продолжают создавать нейронные сети для распознавания разнообразных действий на видео, и одной из последних и самых интересных проектов является работа сотрудника Netflix Амира Зиая. Компьютерное зрение практически идеально распознает объекты на статичных изображениях, и на данный момент проблемы в основном возникают только с видеороликами. Используя базу из 100 голливудских фильмов он обучил нейронную сеть распознавать сцены…

    Подробнее »
  • Хабрахабр

    Как мы делали автопилот для сервисной станции

    Привет, Хабр! Я работаю в небольшом стартапе в Берлине, занимающимся разработкой автопилотов для автомобилей. Мы заканчиваем проект для сервисных станций одного крупного немецкого автопроизводителя и я бы хотел рассказать о нём: как мы его делали, с какими трудностями столкнулись и что нового открыли для себя. В этой части я расскажу про perception модуль и немного про архитектуру решения в целом.…

    Подробнее »
  • Хабрахабр

    [Перевод] Создаем музыку: когда простые решения превосходят по эффективности глубокое обучение

    Представляю вашему вниманию перевод статьи «Создаем музыку: когда простые решения превосходят по эффективности глубокое обучение» о том, как искусственный интеллект применяется для создания музыки. Автор не использует нейронные сети для генерации музыки, а подходит к задаче, исходя из знания теории музыки, на основе мелодии и гармонии. Другой особенностью статьи является метод сравнения музыкальных произведений на основе матриц самоподобия. Такой подход,…

    Подробнее »
  • Хабрахабр

    Microsoft ML Spark: расширение Spark, делающее SparkML человечнее, и LightGBM как бонус

    Позиция разработчиков Spark в том, что SparkML — это базовая платформа, а все расширения должны быть отдельными пакетами. Многие, кто работал с Spark ML, знают, что некоторые вещи там сделаны "не совсем удачно"или не сделаны вообще. Они не хотят собирать при помощи maven-assembly JAR-файлы на 500 мегабайт или руками скачивать зависимости и добавлять в параметры запуска Spark. Но это не…

    Подробнее »
  • Хабрахабр

    Автоматическое назначение задач в Jira с помощью ML

    A-Team: sum_сайт(1.28), lab_отклики_и_приглашения(1.37), lab_отказ_работодателю(1.07), lab_вёрстка(1.03), sum_работа(1.04), sum_работа_сайт(1.59), lab_hhs(1.19), lab_feedback(1.06), rep_name_0(1.14), lab_brand(1.16), sum_окно(1.13), sum_сломаться(1.04), rep_name_1(1.22), lab_отклики_соискатель(1.0), lab_сайт(0.92) 12), sum_комментарий_резюме(0. API: lab_удаление_аккаунта(1. 9), rep_name_3(0. 94), rep_name_2(0. 89), rep_name_5(0. 83), rep_name_4(0. 87), lab_комментарии_к_резюме(1. 91), lab_менеджеры_вакансий(0. 86), sum_удаляться_аккаунт(0. 85), lab_api(0. 91), desc_комментарий(1. 86), sum_просмотр(0. 85), desc_резюме(0. 02), rep_name_6(0. 01) 86), sum_api(1. 77), lab_ios(1. Android: sum_android(1. 9), sum_hr_мобайл(1. 66), sum_приложение(2. 55), sum_hr(1. 4), lab_android(3. 33),…

    Подробнее »
  • Хабрахабр

    Нейросеть научилась рисовать сложные сцены по текстовому описанию

    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. Исследовательская группа Microsoft Research представила генеративно-состязательную нейросеть, которая способна генерировать изображения с несколькими объектами на основе текстового описания. К примеру, чтобы создать изображение по описанию «Женщина в шлеме сидит на лошади», нейросеть должна была семантически «понять», как каждый из объектов относится…

    Подробнее »
  • Хабрахабр

    Обфускация данных для тестов производительности

    Пользователи ClickHouse знают, что его главное преимущество — высокая скорость обработки аналитических запросов. Но как мы можем выдвигать такие утверждения? Это должно подтверждаться тестами производительности, которым можно доверять. О них мы сегодня и поговорим. Как и сейчас, тогда нас больше всего интересовала скорость работы данных сервиса Яндекс.Метрика. Такие тесты мы начали проводить в 2013 году, задолго до того, как продукт…

    Подробнее »
  • Хабрахабр

    [Из песочницы] Создаем прототип для Sentiment Analysis с помощью Python и TextBlob

    Что важно для команды разработчиков, которая только начинает строить систему, базирующуюся на машинном обучении? Архитектура, компоненты, возможности тестирования с помощью интеграционных и юнит тестов, сделать прототип и получить первые результаты. И далее к оценке трудоемкости, планированию разработки и реализации. Который был создан через некоторое время после разговора с Product Manager: а почему бы нам не «пощупать» Machine Learning? В этой…

    Подробнее »
  • Хабрахабр

    [Перевод] Нейросети и глубокое обучение: онлайн-учебник, глава 1

    Примечание Перед вами – перевод свободной онлайн-книги Майкла Нильсена «Neural Networks and Deep Learning», распространяемой под лицензией Creative Commons Attribution-NonCommercial 3.0 Unported License. Мотивацией к его созданию послужил успешный опыт перевода учебника по программированию, "Выразительный JavaScript". Книга по нейросетям тоже достаточно популярна, на неё активно ссылаются авторы англоязычных статей. Её переводов я не нашёл, за исключением перевода начала первой главы…

    Подробнее »
  • Хабрахабр

    Как мы научились предсказывать запрос пользователя и ускорили загрузку поисковой выдачи

    Мы научились использовать саджест для того, чтобы предугадывать итоговый запрос пользователя и загружать поисковую выдачу до нажатия кнопки «Найти». Поисковые подсказки (саджест) — это не только пользовательский сервис, но ещё и очень мощная языковая модель, хранящая миллиарды поисковых запросов, поддерживающая нечёткий поиск, персонализацию и многое другое. И, конечно, нам нужен был крутой классификатор, определяющий, нужно ли загружать поисковый запрос заранее:…

    Подробнее »


Кнопка «Наверх»
Закрыть