Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Объяснение глубокого обучения (и почему глубокое обучение так популярно)
Deep Learning Explained (& Why Deep Learning Is So Popular)
В видео объясняется, что популярность глубокого обучения связана с тем, что оно может изучать функции непосредственно из данных и использует нейронные сети для изучения базовых функций в наборе данных. Рост глубокого обучения можно объяснить большими данными, повышенной вычислительной мощностью и оптимизированными программными интерфейсами.
От мозга к ИИ (что такое нейронные сети)
From The Brain To AI (What Are Neural Networks)
В видео обсуждаются компоненты искусственного нейрона, который является основным элементом искусственной нейронной сети, и то, как он основан на структуре биологического нейрона.
Это также объясняет, как нейронные сети получают представление из больших объемов данных в послойном процессе, который может применяться к любому типу входных данных. В видео рекомендуется посетить сайт блестящий.org, чтобы узнать больше об основных строительных блоках алгоритмов глубокого обучения.
Как сделать нейронную сеть | Объяснение нейронных сетей
How To Make A Neural Network | Neural Networks Explained
Видео объясняет, как нейронные сети формируют возможности распознавания образов, обсуждая задействованную структуру и математику. Он использует изображение в качестве примера и обсуждает входной слой, узлы выходного слоя и вводит идею скрытых слоев.
Затем видео углубляется в функции активации и то, как они преобразуют входные сигналы в выходные сигналы. Обсуждаются функция гиперболического тангенса и выпрямленный линейный единичный слой, и выясняется, что построенная нейронная сеть требует значительной человеческой инженерии для обеспечения недвусмысленных значений. Видео рекомендует Brilliant.org узнать больше.
Как обучаются компьютеры | Объяснение нейронных сетей (градиентный спуск и обратное распространение ошибки)
How Computers Learn | Neural Networks Explained (Gradient Descent & Backpropagation)
В этом видео объясняется, как нейронные сети учатся, изменяя веса в скрытых слоях, чтобы сеть могла их определить. Вводится понятие функции стоимости, чтобы свести к минимуму частоту ошибок нейронной сети, а обратное распространение объясняется как важный процесс настройки параметров сети.
Три основных компонента машинного обучения, включая представление, оценку и оптимизацию, охватываются племенем коннекционизма. В видео также отмечается, что сеть не всегда идеально укладывается в слои абстракции. Цель глубокого обучения состоит в том, чтобы сеть обучалась и настраивала веса самостоятельно.
Как работают нейронные сети | Объяснение нейронных сетей
How Neural Networks Work | Neural Networks Explained
Видео объясняет параметр смещения в нейронных сетях, который запускает узлы для активации при достижении определенного порога, а также разницу между параметрами и гиперпараметрами, при этом гиперпараметры требуют точной настройки с помощью методов оптимизации.
Также обсуждается скорость обучения, и подчеркиваются проблемы поиска оптимальной скорости, избегая переобучения или недообучения. Разработка признаков — это еще одна область нейронных сетей, где аналитики должны определять входные признаки, точно описывающие проблему. В видео отмечается, что, хотя теоретические искусственные нейронные сети включают в себя идеальные уровни абстракции, в действительности они гораздо более случайны из-за типа используемой сети, который выбирается путем выбора наиболее важных гиперпараметров.
Объяснение сверточных нейронных сетей (визуализация CNN)
Convolutional Neural Networks Explained (CNN Visualized)
Видео объясняет сверточные нейронные сети (CNN) и их структуру для распознавания изображений на примере распознавания чисел.
Первый скрытый слой, сверточный слой, применяет ядра или детекторы признаков для преобразования входных пикселей и выделения признаков, таких как края, углы и формы, что приводит к множеству карт признаков, которые подвергаются функции нелинейности.
Вновь созданные карты объектов используются в качестве входных данных для следующего скрытого слоя, объединяющего слоя, который уменьшает размеры карт объектов и помогает создавать дальнейшие абстракции по отношению к выходным данным, сохраняя важную информацию. Слой пула уменьшает переобучение и ускоряет расчеты за счет понижения дискретизации карт объектов. Вторым компонентом CNN является классификатор, состоящий из полностью связанных слоев, которые используют высокоуровневые функции, абстрагированные от входных данных, для правильной классификации изображений.
Почему сверточные нейронные сети так хорошо работают?
Why do Convolutional Neural Networks work so well?
Успех сверточных нейронных сетей (CNN) заключается в использовании низкоразмерных входных данных, что делает их легко обучаемыми всего на десятках тысяч помеченных примеров.
Успех также достигается за счет использования сверточных слоев, которые выводят лишь небольшое количество полезной информации из-за сжимаемости участков пикселей, существующих в реальном мире, но не обязательно в искусственно перестроенных изображениях. Хотя CNN используются для выполнения различных задач обработки изображений, их успех нельзя полностью объяснить их способностью к обучению, поскольку и люди, и нейронные сети не могут учиться на многомерных данных. Вместо этого перед обучением должны существовать жестко закодированные пространственные структуры в их архитектуре, чтобы «видеть» мир.
Можно ли научить ИИ различать правильное и неправильное?
Can A.I. Be Taught The Difference Between Right and Wrong? [4K] | ARTIFICIAL INTELLIGENCE | Spark
В видео обсуждаются текущее состояние и потенциал ИИ и робототехники, охватывая такие темы, как глубокое обучение, возможности роботов, потенциальное влияние в различных отраслях, этика, эмоциональный интеллект и ограничения.
В то время как ИИ плавно перешел в различные области, эксперты по-прежнему считают, что люди необходимы для решения непредвиденных ситуаций и этических дилемм. Также обсуждаются боязнь использования роботов в качестве оружия и возможность развития ИИ без контроля со стороны человека. Тем не менее, потенциал ИИ для творчества и эмоционального интеллекта, как продемонстрировала Юми, — это то, на что стоит рассчитывать в будущем. Основная задача состоит в том, чтобы завоевать общественное доверие к надежности и безопасности ИИ, поскольку его интеграция становится все более важной в нашем обществе.
Дженсен Хуанг — генеральный директор NVIDIA по следующему поколению искусственного интеллекта и MLOps
Дженсен Хуанг — генеральный директор NVIDIA по следующему поколению искусственного интеллекта и MLOps
Генеральный директор NVIDIA Дженсен Хуанг (Jensen Huang) рассказывает, как компания уделяла особое внимание машинному обучению, начиная с ускорения моделей нейронных сетей для конкурса ImageNet. Он обсуждает тип вычислений с полным стеком от NVIDIA и ее успехи в создании графических процессоров, универсальных для различных приложений. Хуанг прогнозирует рост использования ИИ в производстве и проектировании микросхем, а также потенциал алгоритмов глубокого обучения для моделирования стратегий смягчения последствий изменения климата. Он также обсуждает важность MLOps и сравнивает процесс усовершенствования машинного обучения с фабрикой. Наконец, Хуан делится своим воодушевлением по поводу будущего инноваций и творчества в виртуальном мире.
он более уязвим и привлекает больше критики, он видит в этом способ уточнить свои идеи и принять более взвешенные решения. Дженсен также рассказывает о своем подходе к лидерству, заявляя, что его поведение и способ решения проблем остаются неизменными независимо от результатов деятельности компании. Как публичная компания, он признает внешнее давление, направленное на успех, но считает, что если они четко выражают свое видение и почему они что-то делают, люди готовы попробовать.
Генеральный директор OpenAI о рисках и о том, как ИИ изменит общество
OpenAI CEO, CTO on risks and how AI will reshape society
Генеральный и технический директор OpenAI Сэм Альтман говорит Ребекке Джарвис из ABC News, что ИИ изменит общество, и признает риски: ответственное развитие, которое соответствует человеческим ценностям и позволяет избежать негативных последствий, таких как сокращение рабочих мест или усиление расовых предубеждений.
Они утверждают, что, хотя ИИ таит в себе потенциальную опасность, неиспользование этой технологии может быть более опасным. Руководители также подчеркивают важность человеческого контроля и общественного вклада в определение ограничений для ИИ, а также потенциал ИИ для революционного преобразования образования и обеспечения индивидуального обучения для каждого учащегося. Признавая риски, связанные с ИИ, они выражают оптимизм в отношении его потенциальных преимуществ в таких областях, как здравоохранение и образование.