Актуальные задачи и концепции ML презентация

Ноябрь 16, 2021

Главная
Информатика
Актуальные задачи и концепции ML

Содержание

2. В ML, ввиду скорости развития, особенно высокий риск - «не быть в теме»
3. Семантическая сегментация изображений
4. Постановка задачи
5. Классические подходы к сегментации
6. Семантическая сегментация на основе FCN-8s
7. Архитектура FCN-8s
8. Дополнительно SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation https://github.com/alexgkendall/SegNet-Tutorial https://github.com/nvidia/digits
9. Анализ последовательностей ряды, видео, текст
10. Перевод текста Классический и нейронный подход Statistical Machine Translation (SMT) - phrase-based systems (PBMT) Google’s Neural
11. LSTM сети Understanding LSTM Networks https://deeplearning4j.org/lstm.html
12. LSTM сети Understanding LSTM Networks https://deeplearning4j.org/lstm.html
13. LSTM сети
14. Архитектура GNMT System
15. Архитектура GNMT System
16. Подход к кодированию слов Word: Jet makers feud over seat width with big orders at stake
17. Оптимизации
18. Результаты GNMT
19. Дополнительно: Word2Vec keras-language-modeling word-rnn-tensorflow
20. Распознавание речи по аудио и\или видео
21. Архитектура решения
22. Модификации изображений
23. Концепция GAN
24. Генерация описания по изображению
25. Генерация описания по изображению
26. Управление на основе обучения
27. Общая концепция Обучения с подкреплением
28. Нейронная сеть в качестве Функции принятия решения
29. Нейронная сеть учится путешествовать по лабиринту
30. Нейронная сеть учится играть в StarCraft 2
31. Резюме по задачам Классификация объектов на изображении Text Classification Генерация изображений по тексту Caption Generation Модификация
32. Резюме по технологиям OpenCV CNN RNN LSTM FCN GAN, CycleGAN Reinforcement Learning
33. Спасибо за внимание! Михеев Александр Разработчик Simcase E-mail: a.miheev@simcase.ru
35. Скачать презентацию

Слайд 2

В ML, ввиду скорости развития, особенно высокий риск - «не быть в теме»

Слайд 3

Семантическая сегментация изображений

Слайд 4

Постановка задачи

Слайд 5

Классические подходы к сегментации

Слайд 6

Семантическая сегментация на основе FCN-8s

Слайд 7

Архитектура FCN-8s

Слайд 8

Дополнительно
SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation
https://github.com/alexgkendall/SegNet-Tutorial
https://github.com/nvidia/digits

Слайд 9

Анализ последовательностей ряды, видео, текст

Слайд 10

Перевод текста Классический и нейронный подход
Statistical Machine Translation (SMT) - phrase-based systems (PBMT)
Google’s Neural

Machine Translation System: Bridging the Gap between Human and Machine Translation

Слайд 11

LSTM сети
Understanding LSTM Networks
https://deeplearning4j.org/lstm.html

Слайд 12

LSTM сети
Understanding LSTM Networks
https://deeplearning4j.org/lstm.html

Слайд 13

LSTM сети

Слайд 14

Архитектура GNMT System

Слайд 15

Архитектура GNMT System

Слайд 16

Подход к кодированию слов
Word: Jet makers feud over seat width with big orders

at stake
wordpieces: _J et _makers _fe ud _over _seat _width _with _big _orders _at _stake

Слайд 17

Оптимизации

Слайд 18

Результаты GNMT

Слайд 19

Дополнительно:
Word2Vec
keras-language-modeling
word-rnn-tensorflow

Слайд 20

Распознавание речи по аудио и\или видео

Слайд 21

Архитектура решения

Слайд 22

Модификации изображений

Слайд 23

Концепция GAN

Слайд 24

Генерация описания по изображению

Слайд 25

Генерация описания по изображению

Слайд 26

Управление на основе обучения

Слайд 27

Общая концепция Обучения с подкреплением

Слайд 28

Нейронная сеть в качестве Функции принятия решения

Слайд 29

Нейронная сеть учится путешествовать по лабиринту

Слайд 30

Нейронная сеть учится играть в StarCraft 2

Слайд 31

Резюме по задачам
Классификация объектов на изображении
Text Classification
Генерация изображений по тексту
Caption Generation
Модификация изображений (Pix2pix

modification)
Visual Reasoning
Cегментация изображения
Генерация речи

Language Modeling
Speech Recognition
Machine Translation
Document Summarization
Question Answering
Анимирование
Управление

Слайд 32

Резюме по технологиям
OpenCV
CNN
RNN
LSTM
FCN
GAN, CycleGAN
Reinforcement Learning

Слайд 33

Спасибо за внимание!
Михеев Александр
Разработчик Simcase
E-mail: a.miheev@simcase.ru

Актуальные задачи и концепции ML презентация

Содержание

В ML, ввиду скорости развития, особенно высокий риск - «не быть в теме»

Семантическая сегментация изображений

Постановка задачи

Классические подходы к сегментации

Семантическая сегментация на основе FCN-8s

Архитектура FCN-8s

ДополнительноSegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentationhttps://github.com/alexgkendall/SegNet-Tutorialhttps://github.com/nvidia/digits

Анализ последовательностей ряды, видео, текст

Перевод текста Классический и нейронный подходStatistical Machine Translation (SMT) - phrase-based systems (PBMT)Google’s Neural

LSTM сетиUnderstanding LSTM Networkshttps://deeplearning4j.org/lstm.html

LSTM сетиUnderstanding LSTM Networkshttps://deeplearning4j.org/lstm.html

LSTM сети

Архитектура GNMT System

Архитектура GNMT System

Подход к кодированию словWord: Jet makers feud over seat width with big orders

Оптимизации

Результаты GNMT

Дополнительно:Word2Veckeras-language-modelingword-rnn-tensorflow

Распознавание речи по аудио и\или видео

Архитектура решения

Модификации изображений

Концепция GAN

Генерация описания по изображению

Генерация описания по изображению

Управление на основе обучения

Общая концепция Обучения с подкреплением

Нейронная сеть в качестве Функции принятия решения

Нейронная сеть учится путешествовать по лабиринту

Нейронная сеть учится играть в StarCraft 2

Резюме по задачамКлассификация объектов на изображенииText ClassificationГенерация изображений по текстуCaption GenerationМодификация изображений (Pix2pix

Резюме по технологиямOpenCVCNNRNNLSTMFCNGAN, CycleGANReinforcement Learning

Спасибо за внимание!Михеев АлександрРазработчик SimcaseE-mail: a.miheev@simcase.ru

Похожие презентации

Дополнительно
SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation
https://github.com/alexgkendall/SegNet-Tutorial
https://github.com/nvidia/digits

Перевод текста Классический и нейронный подход
Statistical Machine Translation (SMT) - phrase-based systems (PBMT)
Google’s Neural

LSTM сети
Understanding LSTM Networks
https://deeplearning4j.org/lstm.html

LSTM сети
Understanding LSTM Networks
https://deeplearning4j.org/lstm.html

Подход к кодированию слов
Word: Jet makers feud over seat width with big orders

Дополнительно:
Word2Vec
keras-language-modeling
word-rnn-tensorflow

Резюме по задачам
Классификация объектов на изображении
Text Classification
Генерация изображений по тексту
Caption Generation
Модификация изображений (Pix2pix

Резюме по технологиям
OpenCV
CNN
RNN
LSTM
FCN
GAN, CycleGAN
Reinforcement Learning

Спасибо за внимание!
Михеев Александр
Разработчик Simcase
E-mail: a.miheev@simcase.ru