Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Em Direção à Singularidade - IA que Inspira a Neurociência
Em Direção à Singularidade - IA que Inspira a NeurociênciaEste vídeo discute o potencial da inteligência artificial para atingir um ponto de inteligência geral e os vários desafios que precisarão ser superados ao longo do caminho.
Também discute o potencial dos robôs serem considerados como uma espécie e as vantagens e desvantagens dessa abordagem.
você está limitado quanto à quantidade de informações que pode transferir entre os dois. E esse é um fator muito limitante na potência geral do computador padrão. Em contraste, o cérebro funciona massivamente de maneira massivamente paralela, cada neurônio está fazendo o melhor que pode o tempo todo. Mesmo a melhor IA atual que temos ainda é muito, muito diferente do cérebro. É... você pode dizer que é inspirado no cérebro, mas não é uma cópia do cérebro. No cérebro há uma enorme quantidade de conexões de feedback. Então, obviamente, quando processamos a entrada sensorial, e isso chega às regiões superiores do cérebro, e é processado e abstraído da entrada original que vemos. Mas também há uma grande quantidade de feedback vindo dessas regiões superiores para as áreas perceptivas. E esse feedback direciona para onde olhamos e
Stanford CS230: Aprendizado Profundo | Outono 2018 | Aula 1 - Introdução à aula e logística, Andrew Ng
Stanford CS230: Aprendizado Profundo | Outono 2018 | Aula 1 - Introdução à aula e logística, Andrew Ng
Andrew Ng, o instrutor do curso CS230 Deep Learning de Stanford, apresenta o curso e explica o formato da sala de aula invertida. Ele destaca a repentina popularidade do aprendizado profundo devido ao aumento de registros digitais, permitindo sistemas de aprendizado profundo mais eficazes. Os principais objetivos do curso são que os alunos se tornem especialistas em algoritmos de aprendizado profundo e entendam como aplicá-los para resolver problemas do mundo real. Ng enfatiza a importância do conhecimento prático na construção de sistemas de aprendizado de máquina eficientes e eficazes e espera ensinar e derivar sistematicamente algoritmos de aprendizado de máquina enquanto os implementa de maneira eficaz com os processos corretos. O curso abordará redes neurais de convolução e modelos de sequência por meio de vídeos no Coursera e tarefas de programação em notebooks Jupyter.
A primeira palestra do curso CS230 Deep Learning de Stanford apresenta a variedade de aplicativos do mundo real que serão desenvolvidos por meio de atribuições de programação e projetos de alunos, que podem ser personalizados e projetados para atender aos interesses de um aluno. Exemplos de projetos de alunos anteriores variam de previsão de preços de bicicletas a detecção de sinais de terremotos. O projeto final é enfatizado como o aspecto mais importante do curso, e orientação personalizada está disponível por meio da equipe de TA e dos instrutores. A logística do curso também é discutida, incluindo formação de equipes para projetos em grupo, realização de quizzes no Coursera e combinação do curso com outras aulas.
Aula 2 - Intuição de Aprendizagem Profunda
Stanford CS230: Aprendizado Profundo | Outono 2018 | Aula 2 - Intuição de Aprendizagem Profunda
A primeira parte da palestra se concentra em várias aplicações de aprendizado profundo, incluindo classificação de imagens, reconhecimento facial e transferência de estilo de imagem. O instrutor explica a importância de vários fatores, como tamanho do conjunto de dados, resolução da imagem e função de perda no desenvolvimento de um modelo de aprendizado profundo. O conceito de codificação de imagens usando redes profundas para criar representações úteis também é discutido, com ênfase na função de perda triplet usada no reconhecimento facial. Além disso, o palestrante explica o agrupamento usando o algoritmo K-Means para classificação de imagens e extração de estilo e conteúdo de imagens. No geral, a seção apresenta aos alunos as várias técnicas e considerações envolvidas no desenvolvimento de modelos de aprendizado profundo bem-sucedidos.
A segunda parte do vídeo abrange uma variedade de tópicos de aprendizado profundo, como geração de imagens, reconhecimento de fala e detecção de objetos. O palestrante enfatiza a importância de consultar especialistas ao encontrar problemas e os elementos críticos de um projeto de aprendizado profundo bem-sucedido: um pipeline estratégico de aquisição de dados e pesquisa de arquitetura e ajuste de hiperparâmetros. O vídeo também discute diferentes funções de perda usadas em aprendizado profundo, incluindo a função de perda de detecção de objetos, que inclui uma raiz quadrada para penalizar erros em caixas menores com mais intensidade do que em caixas maiores. O vídeo termina com uma recapitulação dos próximos módulos e atribuições, incluindo sessões obrigatórias de mentoria de projetos de AT e seções de TA de sexta-feira focadas na transferência de estilo neural e no preenchimento de um formulário da AWS para possíveis créditos de GPU.
Aula 3 - Projetos de Aprendizado Profundo de Ciclo Completo
Stanford CS230: Aprendizado Profundo | Outono 2018 | Aula 3 - Projetos de Aprendizado Profundo de Ciclo CompletoNesta palestra sobre projetos de aprendizado profundo de ciclo completo, o instrutor enfatiza a importância de considerar todos os aspectos da construção de um aplicativo de aprendizado de máquina bem-sucedido, incluindo seleção de problemas, coleta de dados, design de modelo, teste, implantação e manutenção. Por meio do exemplo de construção de um dispositivo ativado por voz, o instrutor discute os principais componentes envolvidos em projetos de aprendizado profundo e incentiva os alunos a se concentrarem em projetos viáveis com potencial impacto positivo e contribuições exclusivas para seus respectivos campos. O instrutor também destaca a importância de coletar dados rapidamente, fazer boas anotações ao longo do processo e iterar durante o desenvolvimento, ao mesmo tempo em que discute abordagens específicas para ativação de fala e detecção de atividade de voz.
A segunda parte da palestra enfoca a importância do monitoramento e manutenção em projetos de aprendizado de máquina, particularmente a necessidade de monitorar e atualizar continuamente os modelos para garantir um bom desempenho no mundo real. O palestrante aborda o problema da alteração de dados, que pode fazer com que os modelos de aprendizado de máquina percam a precisão, e destaca a necessidade de monitoramento constante, coleta de dados e redesenho de modelos para garantir que os modelos continuem funcionando de maneira eficaz. A palestra também discute o impacto do uso de um sistema não ML versus uma rede neural treinada em um sistema de detecção de atividade de voz e sugere que as regras codificadas à mão geralmente são mais robustas para alterar dados. O palestrante conclui sobre a necessidade de se atentar para a privacidade dos dados e obter o consentimento do usuário na coleta de dados para modelos de retreinamento.
Para enfrentar esse desafio, um algoritmo mais simples é usado para detectar se alguém está falando antes de passar o clipe de áudio para a rede neural maior para classificação. Esse algoritmo mais simples é conhecido como detecção de atividade de voz (VAD) e é um componente padrão em muitos sistemas de reconhecimento de fala, incluindo os usados em telefones celulares.
Aula 4 - Ataques adversários/GANs
Stanford CS230: Aprendizado Profundo | Outono 2018 | Aula 4 - Ataques adversários/GANs
Esta palestra apresenta o conceito de exemplos adversários, que são entradas ligeiramente modificadas para enganar uma rede neural pré-treinada. A palestra explica a base teórica de como esses ataques funcionam e discute as aplicações maliciosas da utilização de exemplos adversários em aprendizado profundo. A palestra também apresenta Generative Adversarial Networks (GANs) como uma forma de treinar um modelo que pode gerar imagens que parecem reais, e a palestra discute a função de custo para o gerador em um modelo GAN. A palestra termina explicando o gráfico logarítmico da saída de D quando dado um exemplo gerado.
A palestra aborda vários tópicos relacionados a Generative Adversarial Networks (GANs), incluindo dicas e truques para treinamento de GANs e suas aplicações em tradução de imagem para imagem e redes adversárias generativas não pareadas usando a arquitetura CycleGAN. A avaliação de GANs também é discutida, com métodos como anotação humana, redes de classificação e o Inception score e Frechet Inception Distance sendo métodos populares para verificar o realismo das imagens geradas.
Aula 5 - IA + Saúde
Stanford CS230: Aprendizado Profundo | Outono 2018 | Aula 5 - IA + Saúde
A palestra fornece uma visão geral das aplicações de IA na área da saúde nesta palestra. Ele detalha os tipos de perguntas que a IA pode responder, como descritiva, diagnóstica, preditiva e prescritiva. O autor então apresenta três estudos de caso de seu laboratório que demonstram a aplicação da IA a diferentes problemas de saúde. Um exemplo é a detecção de arritmias cardíacas graves, que os especialistas podem ter diagnosticado erroneamente, mas podem ser detectadas por uma máquina. Outro exemplo é o uso de redes neurais convolucionais para identificar anormalidades nos exames de RM do joelho, identificando especificamente a probabilidade de uma ruptura do LCA e de um menisco. Por fim, o palestrante discute questões relacionadas à distribuição e aumento de dados na IA de assistência médica.
A segunda parte aborda vários tópicos relacionados à implementação de deep learning em aplicações de saúde. A importância do aumento de dados é discutida, conforme demonstrado pela solução de uma empresa para problemas de reconhecimento de fala em carros autônomos causados por pessoas conversando com o assistente virtual enquanto olham para trás. Os hiperparâmetros envolvidos no aprendizado de transferência para aplicativos de assistência médica, como decidir quantas camadas adicionar e quais congelar, também são discutidos. A palestra então passa para a análise de imagens, onde é destacada a importância de adicionar limites aos conjuntos de dados rotulados. As vantagens e diferenças entre detecção e segmentação de objetos na análise de imagens médicas são discutidas e o tópico da classificação binária para imagens médicas rotuladas com zero ou um é introduzido. A palestra termina discutindo a importância dos dados no aprendizado profundo e as próximas avaliações do curso.
Aula 6 - Estratégia de Projeto de Deep Learning
Stanford CS230: Aprendizado Profundo | Outono 2018 | Aula 6 - Estratégia de Projeto de Deep Learning
Neste vídeo, o palestrante discute a importância de escolher uma boa métrica para medir o sucesso de um projeto de aprendizado de máquina. A métrica escolhida deve refletir o problema em questão e o resultado desejado. O palestrante fornece exemplos de exatidão, precisão, recuperação e pontuação F1 e explica quando cada um deve ser usado. Eles também discutem a diferença entre o conjunto de validação e o conjunto de teste e explicam por que é importante usar ambos. Além disso, o palestrante enfatiza a necessidade de um modelo de linha de base como ponto de comparação para medir a eficácia do algoritmo de aprendizado. Por fim, o palestrante aborda alguns questionamentos da plateia sobre a escolha do limiar para classificação binária e como lidar com o desequilíbrio de classes.
Aula 7 - Interpretabilidade da Rede Neural
Stanford CS230: Aprendizado Profundo | Outono 2018 | Aula 7 - Interpretabilidade da Rede NeuralNesta palestra, o palestrante apresenta vários métodos para interpretar e visualizar redes neurais, como mapas de saliência, sensibilidade de oclusão e mapas de ativação de classe. Os mapas de ativação de classe são usados para interpretar as camadas intermediárias de uma rede neural mapeando a saída para o espaço de entrada para visualizar quais partes da entrada foram mais discriminativas no processo de tomada de decisão. O professor também discute o agrupamento de médias globais como uma forma de manter informações espaciais em uma rede neural convolucional e a deconvolução como uma forma de aumentar a altura e a largura das imagens para tarefas como segmentação de imagens. Além disso, a palestra explora a suposição de ortogonalidade em filtros convolucionais e como a convolução subpixel pode ser usada para reconstrução em aplicativos de visualização.
A palestra abrange vários métodos para interpretar e visualizar redes neurais, incluindo convolução sub-pixel, deconvolução 2D, upsampling, unpooling e o uso de ferramentas como a caixa de ferramentas DeepViz e o algoritmo Deep Dream. O palestrante explica como a visualização de filtros na primeira camada de uma rede pode facilitar a interpretação, mas conforme vamos mais fundo, a rede fica mais difícil de entender. Ao examinar as ativações em diferentes camadas, o palestrante mostra como certos neurônios respondem a recursos específicos. Embora existam limitações para a interpretação de redes neurais, as técnicas de visualização podem fornecer informações e aplicações potenciais, como segmentação, reconstrução e geração de rede adversária.
Aula 8 - Conselhos de Carreira / Leitura de Trabalhos de Pesquisa
Stanford CS230: Aprendizado Profundo | Outono 2018 | Aula 8 - Conselhos de Carreira / Leitura de Trabalhos de PesquisaNesta palestra, o professor Andrew Ng fornece conselhos sobre como ler artigos de pesquisa com eficiência e acompanhar o campo de aprendizagem profunda em rápida evolução. Ele enfatiza a importância de resumir o trabalho nas seções introdutórias e conclusivas, bem como atentar para as figuras e tabelas. Ng também compartilha conselhos de carreira, recomendando que os candidatos a emprego tenham conhecimento amplo e profundo em várias áreas de IA e aprendizado de máquina e se concentrem em trabalhar com indivíduos em vez de grandes marcas para maximizar as oportunidades de crescimento. Ele sugere consistência na leitura de artigos e na construção de habilidades horizontais e verticais por meio de cursos e projetos para uma base sólida em aprendizado de máquina.
Aula 9 - Deep Reinforcement Learning
Stanford CS230: Aprendizado Profundo | Outono 2018 | Aula 9 - Deep Reinforcement Learning
A palestra apresenta aprendizado por reforço profundo, que combina aprendizado profundo e aprendizado por reforço. O aprendizado por reforço é usado para fazer boas sequências de decisões em situações com rótulos atrasados e é aplicado em diferentes campos, como robótica, jogos e propagandas. O aprendizado por reforço profundo substitui a tabela Q por uma função Q que é uma rede neural. O palestrante discute os desafios de aplicar o aprendizado por reforço profundo, mas descreve uma técnica para criar um valor alvo para Q-scores com base na equação de Bellman para treinar a rede. A palestra também discute a importância da repetição da experiência no treinamento de aprendizado por reforço profundo e o trade-off entre exploração e exploração em algoritmos de RL. A aplicação prática do aprendizado por reforço profundo ao jogo Breakout também é discutida.
A palestra discute vários tópicos relacionados ao aprendizado profundo por reforço (DRL). O trade-off exploração-exploração em DRL é discutido, e uma solução usando um hiperparâmetro é proposta para decidir a probabilidade de exploração. A importância do conhecimento humano em DRL e como ele pode aumentar os processos de tomada de decisão algorítmica é explorada. A palestra também cobre gradientes de políticas, diferentes métodos para sua implementação e prevenção de overfitting. Além disso, os desafios em ambientes de recompensa esparsos são destacados e uma solução de um artigo recente chamado "Unificando os Metas baseados em contagem para exploração" é brevemente discutida. Por fim, a palestra menciona brevemente os artigos YOLO e YOLO v2 de Redmon et al. em relação à detecção de objetos.