Pilihan artikel tentang pembelajaran mesin: studi kasus, panduan dan penelitian untuk April 2020

Kami terus memilih publikasi yang membantu menurunkan ambang batas untuk memasuki lingkup ML. Seperti sebelumnya, ini terutama mengkompilasi alat open source, model pra-terlatih, dan API tingkat tinggi.

Blender

Facebook AI memperkenalkan Blender sumber terbuka chatbot terbesar . Ini didasarkan pada model dengan 9,4 miliar parameter, yang menjadikannya sistem terbesar yang ada. Ini adalah chatbot domain terbuka pertama yang menggabungkan berbagai keterampilan percakapan dalam satu sistem: ia mampu mengekspresikan empati dan menunjukkan individualitas. Menurut penulis penelitian, Blender dalam segala hal lebih baik daripada Meena, yang Google umumkan awal tahun ini , tetapi belum dibuktikan.

Anyaman latar belakang

Pembelajaran mesin sering digunakan untuk menghapus latar belakang dari gambar. Jika dengan gambar statis hasilnya sudah sangat bagus, dan bahkan ada seluruh layanan seperti remove.bg, sekarang ini juga dapat dicapai untuk video - chromakey tidak lagi diperlukan! Alat gratis telah muncul yang berfungsi sangat baik untuk menghapus latar belakang dari video. Untuk hasil yang diinginkan, Anda perlu mengambil gambar latar belakang tanpa seseorang, dan kemudian algoritma pembelajaran mesin melakukan keajaibannya. Hasilnya luar biasa, dalam publikasi Anda dapat melihat tolok ukur.



De-oklusi

Algoritma pembelajaran mesin yang ada mampu menganalisis hanya bagian-bagian objek yang terlihat. Ini mengarah pada interpretasi adegan yang tidak lengkap.
Sekarang kerangka kerja open source telah muncul, yang mampu melengkapi bagian tersembunyi dari fragmen objek dalam gambar. Alat ini didasarkan pada model yang dilatih tanpa keterlibatan seorang guru. Kinerja



TensorFlow Profiler

adalah faktor kunci dalam penelitian pembelajaran mesin. Semakin cepat model dilatih, semakin banyak iterasi dapat dilakukan, mengurangi overhead. Ini sangat penting dalam pengembangan industri. Namun, tidak selalu jelas apa yang harus dioptimalkan, dan butuh waktu untuk mencari leher sempit. Sekarang untuk TensorFlow ada satu set alat yang dirancang untuk mengatasi masalah ini.

Kuantitas kebisingan

Model pembelajaran mesin modern menjadi lebih produktif dan mengandung jutaan parameter. Namun, ada kebutuhan mendesak untuk menjalankan model ini pada perangkat yang lemah. Dalam upaya untuk menyelesaikan kontradiksi ini, sebuah alat open source telah muncul yang memberikan kompresi maksimum model dengan hampir tidak ada kerugian dalam kinerja. Di masa mendatang, ini akan memungkinkan Anda untuk menjalankan aplikasi secara lokal di perangkat seluler dan chipset IoT.

TensorFlow Lite

Namun, sudah ada banyak model yang dioptimalkan untuk perangkat yang lemah. Publikasi ini menunjukkan bagaimana, tidak memiliki pengalaman dalam pembelajaran mesin, menggunakan TensorFlow Lite untuk merakit produk lengkap. Jumlah model pra-latihan dalam repositori terus bertambah, sehingga tidak ada yang mencegah Anda membuat aplikasi seluler sekarang, di jantungnya akan ada model pembelajaran mesin.

Transfer gaya

Ingat aplikasi Prisma, yang mentransfer gaya seni ke foto pengguna menggunakan jaringan saraf? Anda tidak akan mengejutkan siapa pun sekarang, tetapi sekarang Anda dapat menyusun prisma Anda sendiri untuk Android dan iOS. Publikasi ini menjelaskan bagaimana teknik ini dioptimalkan agar TensorFlow lite didukung oleh perangkat seluler yang tidak terlalu kuat. Ngomong-ngomong, pada bulan April, fitur yang sama muncul di aplikasi Google Arts & Culture.



Bonus:

Stanford University memposting kursus akses terbuka pada tahun 2018, yang sekarang dapat dilihat di Youtube .

Alih-alih kesimpulan:

Berdasarkan perpustakaan dari seleksi Maret, kami mengumpulkan proyek kecil yang memungkinkan Anda untuk mengontrol antarmuka web menggunakan webcam biasa, dan membicarakannya secara rincitentang Habré. Mungkin alat dalam koleksi ini juga akan menginspirasi beberapa pembaca untuk menemukan solusi untuk beberapa masalah aktual. Akan sangat bagus untuk membaca tentang ini. Sementara itu, itu saja, terima kasih atas perhatian Anda!