Содержание
- 4. Глубокое обучение особый раздел машинного обучения: делает упор на анализ последовательных слоев (или уровней) все более
- 5. Представления, полученные алгоритмом глубокого обучения
- 6. Задачи, решаемые глубокими нейронными сетями классификация изображений на уровне человека; распознавание речи на уровне человека; распознавание
- 7. Методика глубокого обучения имеет две важные характеристики: Поэтапно, послойно конструирует все более сложные представления. Исследует промежуточные
- 8. Нейрон человека
- 9. Модель искусственного нейрона
- 10. Функция активации – функция, которая принимает на вход результат сумматора и выполняет некое преобразование, чтобы превратить
- 11. Функции активации Функция единичного скачка (она же функция Хэвисайда) где х – взвешенная сумма входных параметров.
- 12. Функции активации где θ – заданный порог, S – взвешенная сумма входных параметров.
- 13. Функции активации Сигмоидальная функция (она же логистическая функция) где х – взвешенная сумма входных параметров.
- 14. Функции активации ReLU (rectified linear units) Преимущества является хорошим аппроксиматором – подходит для любой функции. создает
- 15. Классификация нейронных сетей По типу распространения сигнала нейронные сети можно разделить на: нейронные сети с прямым
- 16. Классификация нейронных сетей Сети с прямым распространением сигнала решают множество задач классификации и регрессии на табличных
- 17. Классификация нейронных сетей Необходимость в рекуррентных нейронных сетях возникает при решении таких задач, когда требуется владеть
- 18. Классификация нейронных сетей Однослойной считается нейронная сеть, имеющая лишь входной и выходной слой, без наличия скрытых
- 19. Обучение нейронной сети Сила нейронных сетей в обучении весов связей между нейронами. В ходе множества итераций
- 20. Обучение с учителем
- 21. Обучение без учителя кластеризация – задача разбиения выборки на N (число кластеров может задаваться заранее, а
- 22. Обучение с подкреплением модель не имеет информации о системе, но при этом может производить некие действия,
- 23. Другие подходы к обучению полное обучение (пакетный метод) – подход, при котором все обучающие данные подаются
- 24. Библиотеки для обучения нейронной сети TensorFlow Базовый язык С++, но имеет API для Python. Разработан Google.
- 25. Библиотеки для обучения нейронной сети CNTK Базовый язык С++. Поддерживает API для С++, С#, Python, Java.
- 26. Распознавание предметов одежды Полносвязная нейронная сеть прямого распространения – Fully Connected Feed-Forward Neural Networks, FNN Как
- 27. Распознавание предметов одежды Недостатки: У данной архитектуры слишком быстро с ростом числа входных данных растет число
- 28. Анализ набора данных с точки зрения дальнейшего построения нейронной сети Изображения 100х100 пикселей, значения 0-255, RGB
- 29. Базовые объекты и параметры объектов глубоких нейронных сетей в TensorFlow tensorflow.keras.models.Sequential – это базовая модель нейронной
- 31. Базовые объекты и параметры объектов глубоких нейронных сетей в TensorFlow
- 32. Нейронные сети для анализа изображений Полносвязная нейронная сеть Каждый нейрон входного слоя связан с каждым пикселем
- 33. Сверточные нейронные сети
- 34. Сверточные нейронные сети
- 35. Сверточные нейронные сети Сама по себе сверточная нейронная сеть не способна решить задачу классификации. Она извлекает
- 36. Сверточные нейронные сети
- 37. Сверточная нейронная сеть Каждый нейрон входного слоя связан лишь с пикселями, попадающими в его диапазон (9,
- 38. Обработка естественного языка Предварительная обработка текста, необходимо: привести текст к единому регистру; в зависимости от задачи
- 39. Архитектуры нейронных сетей языка сверточные одномерные нейронные сети (CNN 1D), работающие по принципу двумерных сверточных сетей,
- 40. Архитектуры нейронных сетей языка Модели векторных представлений слов и документов можно разделить на три блока: частотный
- 41. Частотный подход Основан на подходе Bag of words («мешок слов»): Находим все уникальные слова в тексте.
- 42. Частотный подход Нейронная сеть должна получать на вход последовательности одной длины. Подходы для решения: One Hot
- 43. Частотный подход OHE представляет из себя разреженный вектор, в котором стоят 0 на позициях тех слов
- 44. Тематическое моделирование Семантическое моделирование текстов. делим тексты на разные кластеры, но «мягко». каждое слово может определять
- 45. Тематическое моделирование К данной группе методов относятся: вероятностный латентно семантический анализ (PLSA, Probabilistic latent semantic analysis).
- 47. DALL-E 2 (2022) • Генерировать изображения по текстовому описанию на английском языке; • «Дорисовать» картину, расширив
- 48. Imaginary soundscape (2018) https://imaginarysoundscape.net/ Озвучивать случайное место на земле на Google Map; Озвучивать изображения.
- 49. Autodraw https://www.autodraw.com/ Как пользоваться: интерфейс сервиса напоминает упрощенный Paint. Из кнопок есть кисть, автокисть, текст, заполнение,
- 50. Kandinsky 2.1 https://editor.fusionbrain.ai/ Kandinsky 2.1 – новейшая разработка от Сбера, способная генерировать уникальные изображения на основе
- 51. TurboText https://turbotext.pro/ Нейросеть TurboText тоже помогает в работе с текстами. Она может написать любую статью, содержательные
- 52. Sketch Metademolab https://sketch.metademolab.com/ сервис, который позволяет оживлять детские рисунки. Находится в бесплатном онлайн-доступе для всех желающих.
- 54. Скачать презентацию