Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
MIT 6.S192 - Conférence 15 : "Creative-Networks" par Joel Simon
MIT 6.S192 - Conférence 15 : "Creative-Networks" par Joel Simon
Dans cette conférence, Joel Simon explore ses inspirations et ses approches envers les réseaux créatifs qui puisent dans les écosystèmes naturels. Il démontre le potentiel des capacités de calcul dans le processus de création, décrivant comment des techniques telles que l'optimisation de la topologie, les morphogènes et les algorithmes évolutifs peuvent permettre l'émergence de formes et de textures incroyables. Simon partage également des détails sur son projet GANBreeder, un outil en ligne pour découvrir et faire muter des images à l'aide d'un CPPN et d'un GAN, et discute du potentiel des systèmes de recommandation croisée dans le processus de création. Simon est optimiste quant à l'avenir de la technologie et de la créativité, convaincu que les humains peuvent collaborer et optimiser les fonctions des bâtiments et créer quelque chose de plus grand.
MIT 6.S192 - Conférence 16 : "La perception visuelle humaine de l'art en tant que calcul" Aaron Hertzmann
MIT 6.S192 - Lec. 16: "La perception visuelle humaine de l'art en tant que calcul" Aaron Hertzmann
La conférence explore l'ambiguïté et l'indétermination perceptives dans l'art et l'utilisation de réseaux antagonistes génératifs (GAN) dans la création d'images ambiguës. Il traite de l'impact de la durée de visionnage sur la perception et de la relation entre l'entropie de l'image et les préférences humaines. Le conférencier propose une théorie évolutive de l'art, où l'art est créé par des agents capables de relations sociales. L'utilisation de l'IA dans l'art est également discutée, avec la conclusion que si les algorithmes peuvent être des outils utiles, ils ne peuvent pas remplacer les artistes humains. La conférence se termine par quelques remarques sur des concepts tels que la valeur.
MIT 6.S192 - Conférence 17 : "L'IA au service du design graphique" par Zoya Bylinskii
MIT 6.S192 - Conférence 17 : "L'IA au service du design graphique" par Zoya Bylinskii
Zoya Bylinskii, chercheur scientifique chez Adobe, explore l'intersection de la conception graphique et de l'intelligence artificielle (IA) dans cette conférence. Bylinskii souligne que l'IA est destinée à aider plutôt qu'à remplacer les concepteurs en automatisant les tâches fastidieuses et en générant des variations de conception. Bylinskii donne des exemples d'outils assistés par l'IA, notamment des outils de conception interactifs et des idées d'icônes générées par l'IA. Bylinskii discute également des défis et du potentiel de l'application de l'IA à la conception graphique, y compris la nécessité d'une pensée créative, d'une conservation et d'une collaboration avec des professionnels de différents domaines. Elle conseille les candidats intéressés par l'IA et l'apprentissage automatique pour la conception graphique afin de mettre en valeur leur expérience de projet et de poursuivre des opportunités de recherche.
MIT 6.S192 - Conférence 19 : Création de contenu 3D facile avec des champs neuronaux cohérents, Ajay Jain
MIT 6.S192 - Conférence 19 : Création de contenu 3D facile avec des champs neuronaux cohérents, Ajay Jain
Dans cette conférence, Ajay Jain présente son travail sur les représentations de scènes neurales, en se concentrant spécifiquement sur le modèle Neural Radiance Fields qui utilise des vues d'entrée peu échantillonnées pour construire une représentation de la géométrie et de la couleur 3D d'une scène. Jain discute des défis liés à l'adaptation d'un champ de rayonnement neuronal à une seule scène, ainsi que des moyens d'améliorer l'efficacité des données du processus de formation en ajoutant une perte photométrique et une perte de cohérence sémantique. Il parle également de l'utilisation de CLIP pour supprimer des artefacts dans NeRF et générer des objets 3D à partir de légendes dans le projet Dream Fields. D'autres sujets incluent la création d'objets de premier plan cohérents dans les scènes, l'acquisition de jeux de données d'objets 3D sous-titrés, la réduction des coûts de rendu et l'optimisation des performances du système.
MIT 6.S192 - Conférence 21 : Entre l'art, l'esprit et les machines, Sarah Schwettmann
MIT 6.S192 - Conférence 21 : Entre l'art, l'esprit et les machines, Sarah Schwettmann
Dans cette conférence, Sarah Schwettmann discute de l'intersection entre l'art, l'esprit et les machines. Elle plonge dans la perception visuelle et le défi de découvrir un monde 3D riche à travers une toile 2D, ce qui nécessite que le cerveau résolve un problème inverse et construise une meilleure explication des informations entrantes. Schwettmann parle également de projets impliquant des modèles génératifs profonds formés sur des œuvres d'art, tels que l'utilisation de l'inversion GAN pour intégrer des images de collection Met dans l'espace de fonctionnalités d'un modèle de base pour comprendre la structure de la créativité humaine, et la création d'un vocabulaire de concept visuel pour un arbitraire Espace latent GAN en échantillonnant l'espace des transformations saillantes ou possibles et en utilisant ces exemples de directions comme écran pour projeter les jugements perceptuels humains. L'interaction humaine et l'étiquetage sont importants dans ce processus, et le vocabulaire qui en résulte peut être appliqué à d'autres modèles et utilisé pour manipuler des images de diverses manières. Malgré le bruit dans les données dû au choix variable des mots, leur méthode de distillation de vocabulaires utilisant n'importe quelle taille de bibliothèque d'annotations peut être mise à l'échelle et peut impliquer la formation d'un sous-titreur pour étiqueter automatiquement les directions.
Sarah Schwettmann discute également de diverses façons d'explorer et d'attribuer un sens aux directions au sein de modèles formés à la création humaine. Elle présente une expérience capturant et apprenant des directions visuelles sans langage, qui permet aux humains de définir la transformation qu'ils veulent purement visuellement en interagissant avec un petit lot d'images échantillonnées à partir de l'espace latent ou de l'espace des caractéristiques. Cette méthode est utile pour étiqueter et comprendre les images avec des caractéristiques nuancées et difficiles à expliquer. De plus, l'espace latent peut devenir un écran sur lequel les expériences humaines peuvent être projetées, permettant aux chercheurs de mieux comprendre des aspects de la perception humaine autrement difficiles à formaliser.
MIT 6.S192 - Conférence 20 : Art génératif utilisant la diffusion, Prafulla Dhariwal
MIT 6.S192 - Conférence 20 : Art génératif utilisant la diffusion, Prafulla Dhariwal
Dans cette conférence, Prafulla Dhariwal d'OpenAI discute des progrès de la modélisation générative pour les tâches créatives difficiles, en particulier avec les modèles de diffusion. Le processus consiste à commencer par une image et à y ajouter lentement du bruit gaussien, puis à inverser le processus en prenant des dommages bruités et en les débruitant pour créer des images moins bruyantes. Le modèle génératif est obtenu en entraînant un modèle à inverser le bruit comme celui-ci, en produisant une image à partir du bruit pur au moment du test en exécutant le modèle pas à pas en arrière. La prédiction inverse du processus ressemble également à une distribution gaussienne lorsque la quantité de bruit ajoutée est très faible, qui est utilisée pour prédire la moyenne et la variance du modèle. Dhariwal explique également comment utiliser les modèles de diffusion pour peindre et traiter les dangers potentiels du contenu généré par l'IA.
MIT 6.S192 - Conférence 22 : Modèles probabilistes de diffusion, Jascha Sohl-Dickstein
MIT 6.S192 - Conférence 22 : Modèles probabilistes de diffusion, Jascha Sohl-Dickstein
Dans cette conférence, Jascha Sohl-Dickstein discute des modèles de diffusion, qui sont utilisés pour apprendre des tâches distinctes des données de formation. Les modèles sont probabilistes et peuvent être utilisés pour encoder ou décoder des données. Le processus de diffusion vers l'avant est un processus fixe, et le processus inverse est également vrai.
Cette conférence traite des modèles probabilistes de diffusion et explique que, bien qu'il existe une correspondance biunivoque entre l'espace latent et l'espace image, il est possible de travailler avec plusieurs classes au sein du même modèle. La conférence explique ensuite comment utiliser ces modèles pour générer de nouvelles images.
GenRep : Modèles génératifs comme source de données pour l'apprentissage de la représentation multivue dans ICLR2022
Code : https://github.com/ali-design/GenRep
GenRep : Modèles génératifs comme source de données pour l'apprentissage de la représentation multivue dans ICLR2022
Les présentateurs discutent du concept de zoos modèles, où des modèles génératifs préformés sont rendus accessibles sans accès aux données sous-jacentes. En utilisant l'apprentissage contrastif, les chercheurs peuvent créer différentes vues du même objet, qui tomberont dans le même voisinage dans l'espace de représentation. Ils ont découvert que de simples transformations gaussiennes dans l'espace latent étaient efficaces et que générer plus d'échantillons à partir d'IGM conduit à de meilleures représentations. Les IGM experts, tels que StyleGAN Car dans des domaines spécifiques, peuvent surpasser les représentations apprises à partir de données réelles. Le site Web du projet et le code Github sont disponibles pour une exploration plus approfondie.
Une entrevue avec Gilbert Strang sur l'enseignement des méthodes matricielles dans l'analyse de données, le traitement du signal et l'apprentissage automatique
Une entrevue avec Gilbert Strang sur l'enseignement des méthodes matricielles dans l'analyse de données, le traitement du signal et l'apprentissage automatique
Gilbert Strang, un mathématicien de renom, souligne l'importance des projets plutôt que des examens dans l'enseignement de l'apprentissage en profondeur, une partie cruciale de l'apprentissage automatique qui s'appuie fortement sur l'algèbre linéaire. Il pense que les projets permettent aux étudiants de comprendre comment appliquer l'apprentissage en profondeur dans le monde réel et constituent un moyen d'apprentissage plus efficace. Strang souligne également que l'enseignement consiste à apprendre et à travailler avec les élèves plutôt que de les noter uniquement. Il conseille aux nouveaux professeurs d'utiliser de grosses craies et de prendre leur temps pour rester avec la classe afin de réussir dans l'enseignement.
MIT 18.065. Méthodes matricielles dans l'analyse de données, le traitement du signal et l'apprentissage automatique
Introduction au cours par le professeur Strang
Le professeur Strang présente son nouveau cours 18.065, qui couvre quatre sujets clés : l'algèbre linéaire, l'apprentissage en profondeur, l'optimisation et les statistiques. Le cours se concentrera sur les meilleures matrices, les matrices symétriques et orthogonales et leur relation avec l'algèbre linéaire. Il couvrira également l'apprentissage en profondeur, qui est à la base de l'algèbre linéaire et implique des calculs complexes qui peuvent nécessiter l'utilisation de GPU pendant des jours, voire des semaines. Le cours abordera les statistiques, qui jouent un rôle dans le maintien des nombres dans la fonction d'apprentissage dans une bonne fourchette, et l'optimisation et la théorie des probabilités, qui sont importantes dans l'apprentissage des algorithmes, et les équations différentielles qui jouent un rôle clé dans les applications scientifiques et techniques. . Le cours comprend des exercices, des problèmes et des discussions pour fournir une présentation complète du sujet.