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