मशीन लर्निंग पर लेखों का चयन: केस स्टडी, गाइड और जनवरी 2020 के लिए शोध

मशीन लर्निंग के क्षेत्र में अनुसंधान कार्य धीरे-धीरे विश्वविद्यालय प्रयोगशालाओं को छोड़ रहा है और वैज्ञानिक अनुशासन से लागू होता है। हालाँकि, अभी भी उन प्रासंगिक लेखों को ढूंढना मुश्किल है जो सादे भाषा में और एक अरब फुटनोट के बिना लिखे गए हैं।

इस पोस्ट में जनवरी के लिए अंग्रेजी-भाषा की सामग्रियों की एक सूची है, जो अनुचित अकादमिकता के बिना लिखी गई हैं। उनमें आपको कोड उदाहरण और गैर-खाली रिपॉजिटरी के लिंक मिलेंगे । उल्लिखित प्रौद्योगिकियाँ सार्वजनिक डोमेन में हैं और परीक्षण के लिए भारी शुल्क वाले लोहे की आवश्यकता नहीं है।

लेखों को चार प्रकारों में विभाजित किया गया है: ओपन सोर्स टूल्स की घोषणा, व्यावसायिक विकास में मशीन लर्निंग का उपयोग करने के मामले, एमएल रिसर्च और प्योरटेक और टेन्सरफ्लो का उपयोग करने के लिए व्यावहारिक दिशानिर्देश।

मशीन सीखने के लिए ओपन सोर्स तकनीक की घोषणा

LaserTagger

अनुच्छेद संक्षिप्त कार्यक्षमता और की वास्तुकला की चर्चा LaserTagger ; एक उपकरण जो आपको विभिन्न तरीकों से पाठ उत्पन्न करने की अनुमति देता है - वाक्यों को संयोजित करने और विभाजित करने के साथ-साथ उन्हें दूसरे शब्दों में फिर से लिखना। Seq2seq- मॉडल के विपरीत, यह शब्दों का फिर से उपयोग करता है, जो पाठ पीढ़ी की उच्च गति सुनिश्चित करता है।

सुधारक

धारावाहिक डेटा को संसाधित करने के लिए - पाठ, संगीत, या वीडियो - को एक बड़े मेमोरी संसाधन की आवश्यकता होती है, क्योंकि यह डेटा आसपास के संदर्भ पर निर्भर करता है। ट्रांसफॉर्मर के विपरीत, तंत्रिका नेटवर्क के लिए एक लोकप्रिय वास्तुशिल्प मॉडल, रिफॉर्मरसंदर्भ लेने के लिए बहुत कम मेमोरी का उपभोग करता है - केवल 16GB। यह बड़े पाठ डेटा सेट के साथ काम करने के लिए पर्याप्त है - सुधारक, उदाहरण के लिए, "अपराध और सजा" पाठ को संसाधित करने में सक्षम था। आप लापता छवि अंशों को "समाप्त" करने के लिए टूल का भी उपयोग कर सकते हैं।

Wav2letter @ कहीं भी

अधिकांश वास्तविक समय भाषण मान्यता चौखटे आवर्तक तंत्रिका नेटवर्क का उपयोग करते हैं, जबकि Wav2letter @ कहीं भीदृढ़ ध्वनिक मॉडल का उपयोग करता है। फ्रेमवर्क C ++ में लिखा गया है, और आसानी से अन्य प्रोग्रामिंग भाषाओं में एकीकृत है। निर्माता तीन बार थ्रूपुट को बढ़ाने और बहुत शक्तिशाली प्रोसेसर पर कम्प्यूटेशनल दक्षता प्रदान करने में कामयाब रहे। लेख बेंचमार्क और मॉडल के लिंक प्रदान करता है जो सीखने के परिणामों को दोहराने में मदद करेगा।

पॉलीगैस एक ऐसा

ढांचा, जो रणनीति के खेल खेलने के लिए कृत्रिम बुद्धिमत्ता सिखाता है, यहां तक ​​कि पूरी तरह से अपरिचित भी। अन्य समान तकनीकों के विपरीत, यह मॉडल सफल गेम प्रबंधन के कई उदाहरणों से नहीं सीखता है, इसलिए, इसे डेटा सेट की आवश्यकता नहीं है।

HiPlot

टूलअनुसंधान डेटा की कल्पना करना। आपको हाइपरपरमेटर्स की प्रभावशीलता का मूल्यांकन करने की अनुमति देता है, जैसे सीखने की गति, नियमितीकरण और वास्तुकला। लेख अजगर कोड के स्निपेट और उनके विज़ुअलाइज़ेशन के उदाहरण प्रदान करता है। HiPlot को बृहस्पति नोटबुक द्वारा समर्थित किया गया है।

मशीन लर्निंग गाइड

TensorFlow.js ओपन

सोर्स लाइब्रेरी आपको JS इकोसिस्टम को छोड़े बिना मशीन लर्निंग मॉडल चलाने की अनुमति देता है। यह सभी वर्तमान ब्राउज़रों में, Node.js पर सर्वर पक्ष, और रिएक्टिव नेटिव पर मोबाइल प्लेटफ़ॉर्म पर काम करता है।

एक कस्टम TFX घटक बनाना

कोई भी TFX प्लेटफ़ॉर्म का उपयोग रेडी-टू- यूज़ मशीन लर्निंग पाइपलाइन बनाने के लिए कर सकता है। मंच मानक घटकों के एक टन प्रदान करता है, लेकिन ऐसे समय होते हैं जब वे उपयुक्त नहीं होते हैं। यह लेख TensorFlow के साथ काम करने के लिए पूरी तरह से कस्टम पाइपलाइन बनाने के बारे में बात करता है।

PyTorch के साथ NVIDIA Dali को गति दें

आलेख DALI के उपयोग को अनुकूलित करने के लिए कुछ तरीकों पर चर्चा करता है और एक ऐसी प्रक्रिया बनाता है जो केवल CPU (एक GPU के बिना) का उपयोग करता है और 4 बार द्वारा PyTorch पर मशीन सीखने की प्रक्रिया को गति देता है।

मशीन लर्निंग में त्वरित प्रयोग के लिए डेटा और मॉडल बनाना यह

आलेख वर्णन करता है कि एक प्रतिलिपि प्रस्तुत करने योग्य सीखने की प्रक्रिया के लिए संस्करण डेटासेट कैसे बनाएं और उपयोग करें। एक उदाहरण के रूप में, Git, Docker, और Quilt का उपयोग करते हुए, एक गहरी तंत्रिका नेटवर्क को ऑब्जेक्ट पहचान के लिए बनाया गया है जो कि Detectron2, PyTorch- आधारित प्रणाली का उपयोग करता है जो ऑब्जेक्ट मान्यता के लिए एल्गोरिदम का उपयोग करता है।

PyTorch पर सक्रिय स्थानांतरण प्रशिक्षण

ट्रांसफर ट्रेनिंग एक ऐसी प्रक्रिया है जब एक विशिष्ट कार्य के लिए बनाई गई मशीन लर्निंग मॉडल किसी अन्य कार्य को अपनाती है। आमतौर पर मौजूदा मॉडल में अंतिम कुछ परतों को फिर से प्रशिक्षित करना पर्याप्त होता है। लाभ यह है कि इसके लिए मानव द्वारा डेटा की न्यूनतम लेबलिंग की आवश्यकता होती है। यह आलेख सक्रिय सीखने के लिए स्थानांतरण सीखने को लागू करने पर मार्गदर्शन प्रदान करता है, जिसका उद्देश्य उन डेटा पैटर्न की पहचान करना है जिन्हें लोगों द्वारा लेबल किए जाने की आवश्यकता है।

वाणिज्यिक विकास से मामले

TensorFlow के साथ

चीन के प्रमुख संगीत स्ट्रीमिंग प्लेटफॉर्म के डेवलपर्स के साथ एक स्मार्ट म्यूजिक लाइब्रेरी बनाना , फ्रेमवर्क का उपयोग करके अपने अनुभव को साझा करता है। वे विस्तार से बताते हैं कि किस उपकरण का उपयोग किया गया था, उन्होंने बाद की सिफारिशों के लिए संगीत की शैली और शैली को निर्धारित करने के लिए मॉडल को कैसे प्रशिक्षित किया। उदाहरण के लिए, संगीत से आवाज़ को अलग करें, पाठ पहचान का उपयोग करके गीत के बोल को आउटपुट करने के लिए। चूंकि मंच पर कुछ सामग्री विशेष ध्वनि रिकॉर्डिंग उपकरण के बिना उपयोगकर्ताओं द्वारा दर्ज की गई थी, इसलिए लेखकों ने हस्तक्षेप और पृष्ठभूमि शोर को खत्म करना सीखा।

मशीन लर्निंग के साथ डॉग ट्रेनिंग

आज्ञाकारी कुत्तों को पता है कि टीम को नए मालिकों को खोजने और आश्रय छोड़ने की अधिक संभावना है। हालांकि, सभी आश्रयों में कुत्तों को प्रशिक्षित करने की क्षमता नहीं है। परियोजना का लक्ष्य कार को यह समझने के लिए प्रशिक्षित करना है कि क्या कुत्ते ने "बैठ जाओ" आदेश पूरा किया है, कुत्ते की छाल या मदिरा, आदि।

एक

वैक्यूम क्लीनर का प्रशिक्षण। स्मार्ट वैक्यूम क्लीनर के एक चीनी निर्माता ने फर्श पर बिखरे मोजे और तारों को पहचानने के लिए उपकरणों को प्रशिक्षित किया है। मामला तस्वीरों से एक अद्वितीय डेटा सेट बनाने और विभिन्न मशीन लर्निंग एल्गोरिदम का उपयोग करने की कठिनाइयों के बारे में बात करता है।

रास्पबेरी पाई पर TensorFlow Lite का उपयोग करके एक स्मार्ट कैमरा बनाएं

कैमरा किसी व्यक्ति के चेहरे पर मुस्कान का पता लगा सकता है और स्वचालित रूप से एक तस्वीर ले सकता है। उसे वॉइस कमांड द्वारा नियंत्रित किया जा सकता है। विकास के लिए, हमने रास्पबेरी पाई 3 बी + चुना, जिसमें एक गीगाबाइट रैम और 32-बिट ऑपरेटिंग सिस्टम था। TensorFlow Light ने खुद को मोबाइल और IoT उपकरणों के लिए एक ढांचे के रूप में स्थापित किया है। लेख मुस्कान और आवाज आदेशों के लिए मान्यता प्रणाली के एल्गोरिदम को प्रदर्शित करता है।

अनुसंधान

गणितीय समीकरणों को हल करने के लिए तंत्रिका नेटवर्क

फेसबुक ने पहला तंत्रिका नेटवर्क विकसित किया है जो पहले और दूसरे प्रकार के अभिन्न और अंतर समीकरणों को हल करने के लिए प्रतीकात्मक तर्क का उपयोग करता है। ऐसा हुआ करता था कि मशीन सीखना इस तरह के कार्य के लिए उपयुक्त नहीं था, क्योंकि गणित के लिए पूर्ण सटीकता की आवश्यकता होती है, अनुमानित नहीं। अध्ययन के लेखकों ने तंत्रिका मशीन अनुवाद का उपयोग किया। समीकरणों को मशीन द्वारा पाठ वाक्य और उनके अनुवाद के रूप में समाधान के रूप में माना जाता था। इसके लिए सिंटैक्स को संकलित करना और 100 मिलियन से अधिक जोड़ी समीकरणों और उनके समाधान से प्रशिक्षण डेटा का एक सेट तैयार करना आवश्यक था। इस प्रकार, अध्ययन से पता चलता है कि तंत्रिका नेटवर्क का उपयोग न केवल पैटर्न के बीच अंतर करने के लिए किया जा सकता है।

एआई हैबिटेट:

फेसबुक के अंतरिक्ष में अल्ट्रा-सटीक नेविगेशन एआई ने बड़े पैमाने पर डीडी-पीपीओ सुदृढीकरण लर्निंग एल्गोरिदम विकसित किया है जो आरजीबी-डी कैमरा, जीपीएस और कम्पास के डेटा का उपयोग करके आवासीय और कार्यालय परिसर के अंतरिक्ष में नेविगेशन के साथ प्रभावी ढंग से मुकाबला करता है। DD-PPO के साथ प्रशिक्षित रोबोट 99.9% सटीकता के साथ अपने लक्ष्य को प्राप्त करते हैं। लेख में प्रभावशाली वीडियो हैं।

क्या आप अपने मॉडल की अनिश्चितताओं पर भरोसा कर सकते हैं?

प्रकाशित कोड और शोध परिणाम, जो सहसंयोजक बदलाव की समस्या पर ध्यान केंद्रित करता है, जब मॉडल के प्रशिक्षण के लिए डेटा परीक्षण नमूने के साथ मेल नहीं खाता है। लेखकों ने सबसे उन्नत मॉडल का एक व्यापक तुलनात्मक विश्लेषण किया, उन्हें पाठ, चित्र, ऑनलाइन विज्ञापन और जीनोमिक्स से डेटासेट प्रदान किया। लक्ष्य लोकप्रिय तरीकों की सटीकता निर्धारित करना था। बेंचमार्क में, पहनावा विधि सबसे विश्वसनीय साबित हुई।

ध्यान देने के लिए आपको धन्यवाद!

इससे पहले कि आप परीक्षण जारी करते, किसी भी सिफारिश का स्वागत है।

Source: https://habr.com/ru/post/undefined/