![MQL5 - Linguagem para estratégias de negociação inseridas no terminal do cliente MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
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
MIT 6.S192 - Aula 16: "Percepção Visual Humana da Arte como Computação" Aaron Hertzmann
MIT 6.S192 - Aula 16: "Percepção Visual Humana da Arte como Computação" Aaron Hertzmann
A palestra explora a ambigüidade e indeterminação perceptiva na arte e o uso de redes adversárias generativas (GANs) na criação de imagens ambíguas. Ele discute o impacto da duração da visualização na percepção e a relação entre a entropia da imagem e as preferências humanas. O palestrante sugere uma teoria evolutiva da arte, onde a arte é criada por agentes capazes de relações sociais. O uso de AI na arte também é discutido, com a conclusão de que, embora os algoritmos possam ser ferramentas úteis, eles não podem substituir os artistas humanos. A palestra termina com algumas observações sobre conceitos como valor.
MIT 6.S192 - Aula 17: "Usando IA a serviço do design gráfico" por Zoya Bylinskii
MIT 6.S192 - Aula 17: "Usando IA a serviço do design gráfico" por Zoya Bylinskii
Zoya Bylinskii, cientista pesquisadora da Adobe, explora a interseção entre design gráfico e inteligência artificial (IA) nesta palestra. Bylinskii enfatiza que a IA visa auxiliar, em vez de substituir os designers, automatizando tarefas tediosas e gerando variações de design. Bylinskii fornece exemplos de ferramentas assistidas por IA, incluindo ferramentas de design interativas e criação de ícones gerados por IA. Bylinskii também discute os desafios e o potencial da aplicação da IA ao design gráfico, incluindo a necessidade de pensamento criativo, curadoria e trabalho com profissionais de diferentes áreas. Ela aconselha candidatos interessados em IA e aprendizado de máquina para design gráfico a demonstrar experiência em projetos e buscar oportunidades de pesquisa.
MIT 6.S192 - Aula19: Criação fácil de conteúdo 3D com campos neurais consistentes, Ajay Jain
MIT 6.S192 - Aula 19: Criação fácil de conteúdo 3D com campos neurais consistentes, Ajay Jain
Nesta palestra, Ajay Jain apresenta seu trabalho em representações de cenas neurais, focando especificamente no modelo Neural Radiance Fields, que usa exibições de entrada com amostras esparsas para construir uma representação da geometria e cor 3D de uma cena. Jain discute os desafios de ajustar um campo de radiância neural a uma única cena, bem como maneiras de melhorar a eficiência de dados do processo de treinamento adicionando perda fotométrica e perda de consistência semântica. Ele também fala sobre o uso do CLIP para remover artefatos no NeRF e gerar objetos 3D a partir de legendas no projeto Dream Fields. Outros tópicos incluem a criação de objetos de primeiro plano consistentes em cenas, aquisição de conjuntos de dados de objetos 3D legendados, redução de custos de renderização e otimização do desempenho do sistema.
MIT 6.S192 - Aula 20: Arte generativa usando difusão, Prafulla Dhariwal
MIT 6.S192 - Aula 20: Arte generativa usando difusão, Prafulla Dhariwal
Nesta palestra, Prafulla Dhariwal da OpenAI discute o progresso da modelagem generativa para tarefas criativas difíceis, particularmente com modelos de difusão. O processo envolve começar com uma imagem e lentamente adicionar ruído Gaussiano a ela, então reverter o processo tomando algum dano com ruído e eliminando-o para criar imagens menos ruidosas. O modelo generativo é obtido treinando um modelo para reverter ruído como este, produzindo uma imagem de ruído puro no momento do teste, executando o modelo passo a passo para trás. A previsão reversa do processo também se parece com uma distribuição gaussiana quando a quantidade de ruído adicionada é muito pequena, que é usada para prever a média e a variância do modelo. Dhariwal também discute como usar modelos de difusão para pintura interna e abordar os perigos potenciais do conteúdo gerado por IA.
MIT 6.S192 - Aula 21: Entre Arte, Mente e Máquinas, Sarah Schwettmann
MIT 6.S192 - Aula 21: Entre Arte, Mente e Máquinas, Sarah Schwettmann
Nesta palestra, Sarah Schwettmann discute a interseção entre arte, mente e máquinas. Ela se aprofunda na percepção visual e no desafio de experimentar um rico mundo 3D por meio de uma tela 2D, que exige que o cérebro resolva um problema inverso e construa a melhor explicação para as informações recebidas. Schwettmann também fala sobre projetos que envolvem modelos generativos profundos treinados em obras de arte, como o uso da inversão GAN para incorporar imagens da coleção Met no espaço de recursos de um modelo de fundação para entender a estrutura da criatividade humana e a criação de um vocabulário de conceito visual para um arbitrário GAN espaço latente por amostragem do espaço de transformações salientes ou possíveis e usando essas direções de amostra como uma tela para projetar julgamentos perceptivos humanos. A interação humana e a rotulagem são importantes nesse processo, e o vocabulário resultante pode ser aplicado a outros modelos e usado para manipular imagens de várias maneiras. Apesar do ruído nos dados devido à escolha variável de palavras, seu método de destilar vocabulários usando qualquer tamanho de biblioteca de anotações pode ser ampliado e pode envolver o treinamento de um legendador para rotular as direções automaticamente.
Sarah Schwettmann também discute várias maneiras de explorar e atribuir significado a direções dentro de modelos treinados na criação humana. Ela apresenta um experimento capturando e aprendendo direções visuais sem linguagem, o que permite aos humanos definir a transformação que desejam puramente visualmente, interagindo com um pequeno lote de imagens amostradas do espaço latente ou do espaço de recursos. Esse método é útil para rotular e entender imagens com recursos diferenciados e difíceis de explicar. Além disso, o espaço latente pode se tornar uma tela na qual as experiências humanas podem ser projetadas, permitindo que os pesquisadores entendam melhor os aspectos da percepção humana que, de outra forma, seriam difíceis de formalizar.
MIT 6.S192 - Aula 22: Modelos Probabilísticos de Difusão, Jascha Sohl-Dickstein
MIT 6.S192 - Aula 22: Modelos Probabilísticos de Difusão, Jascha Sohl-Dickstein
Nesta palestra, Jascha Sohl-Dickstein discute modelos de difusão, que são usados para aprender tarefas separadas dos dados de treinamento. Os modelos são probabilísticos e podem ser usados para codificar ou decodificar dados. O processo de difusão direta é um processo fixo, e o processo inverso também é verdadeiro.
Esta palestra discute modelos probabilísticos de difusão e explica que, embora haja uma correspondência biunívoca entre o espaço latente e o espaço da imagem, é possível trabalhar com várias classes dentro do mesmo modelo. A palestra então explica como usar esses modelos para gerar novas imagens.
GenRep: modelos generativos como fonte de dados para aprendizagem de representação multiview em ICLR2022
Código: https://github.com/ali-design/GenRep
GenRep: modelos generativos como fonte de dados para aprendizagem de representação multiview em ICLR2022
Os apresentadores discutem o conceito de zoológicos modelo, onde modelos generativos pré-treinados são disponibilizados sem acesso aos dados subjacentes. Ao utilizar o aprendizado contrastivo, os pesquisadores podem criar diferentes visões do mesmo objeto, que cairão na mesma vizinhança dentro do espaço de representação. Eles descobriram que transformações gaussianas simples no espaço latente eram eficazes e que gerar mais amostras de IGMs leva a melhores representações. IGMs especializados, como o StyleGAN Car em domínios específicos, podem superar as representações aprendidas com dados reais. O site do projeto e o código do Github estão disponíveis para exploração adicional.
Uma entrevista com Gilbert Strang sobre métodos de ensino de matriz em análise de dados, processamento de sinal e aprendizado de máquina
Uma entrevista com Gilbert Strang sobre métodos de ensino de matriz em análise de dados, processamento de sinal e aprendizado de máquina
Gilbert Strang, um renomado matemático, enfatiza a importância dos projetos sobre os exames no ensino de aprendizado profundo, uma parte crucial do aprendizado de máquina que depende fortemente da álgebra linear. Ele acredita que os projetos permitem que os alunos entendam como aplicar o aprendizado profundo no mundo real e são uma maneira mais eficaz de aprender. Strang também enfatiza que ensinar é aprender e trabalhar com os alunos, e não apenas avaliá-los. Ele aconselha os novos professores a usar giz grande e dedicar seu tempo para ficar com a classe para ter sucesso no ensino.
MIT 18.065. Métodos matriciais em análise de dados, processamento de sinais e aprendizado de máquina
Introdução ao Curso pelo Professor Strang
O professor Strang apresenta seu novo curso 18.065, que abrange quatro tópicos principais: álgebra linear, aprendizado profundo, otimização e estatística. O curso se concentrará nas melhores matrizes, matrizes simétricas e ortogonais e sua relação com a álgebra linear. Ele também abordará o aprendizado profundo, que é fundamental para a álgebra linear e envolve cálculos complexos que podem exigir o uso de GPUs durante dias ou até semanas. O curso abordará estatísticas, que desempenham um papel em manter os números na função de aprendizado dentro de uma boa faixa, otimização e teoria da probabilidade, que são importantes no aprendizado de algoritmos e equações diferenciais, que desempenham um papel fundamental nas aplicações de ciência e engenharia. . O curso inclui exercícios, problemas e discussões para fornecer uma apresentação completa do assunto.
Aula 1: O espaço coluna de A contém todos os vetores Ax
Aula 1: O espaço coluna de A contém todos os vetores Ax
Esta palestra enfoca o conceito de espaço coluna de uma matriz, que é uma coleção de todos os vetores que podem ser obtidos multiplicando a matriz por todos os vetores possíveis. O palestrante explica que o espaço coluna depende da matriz e pode ser todo o espaço de R3 ou um subconjunto menor dele. O professor discute ainda os conceitos de espaço de linha, classificação de coluna e classificação de linha, bem como a relação entre essas classificações. A palestra também aborda brevemente o primeiro grande teorema da álgebra linear, que afirma que o posto de coluna de uma matriz é igual ao posto de linha da matriz. Além disso, o professor discute métodos para multiplicação de matrizes e o número de multiplicações necessárias para o processo. No geral, a palestra oferece uma introdução à álgebra linear e sua importância no aprendizado com dados.