Актуальные задачи и концепции ML
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
Дополнительно
Анализ последовательностей ряды, видео, текст
Перевод текста Классический и нейронный подход
LSTM сети
LSTM сети
LSTM сети
Архитектура GNMT System
Архитектура GNMT System
Подход к кодированию слов
Оптимизации
Результаты GNMT
Дополнительно:
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 задачам
Резюме по технологиям
С чего начать
16.94M
Категория: ИнформатикаИнформатика

Актуальные задачи и концепции ML

1. Актуальные задачи и концепции ML

Михеев Александр
Разработчик Simcase

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

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

Анализ
последовательносте
й
ряды, видео, текст

10. Перевод текста Классический и нейронный подход

o Statistical Machine Translation (SMT) - phrase-based
systems (PBMT)
o Google’s Neural Machine Translation System: Bridging
the Gap between Human and Machine Translation

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
• wordpieces: _J et _makers _fe ud _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

o Классификация объектов на
изображении
o Text Classification
o Генерация изображений по тексту
o Caption Generation
o Модификация изображений
(Pix2pix modification)
o Visual Reasoning
o Cегментация изображения
o Генерация речи
o Language Modeling
o Speech Recognition
o Machine Translation
o Document Summarization
o Question Answering
o Анимирование
o Управление

32. Резюме по технологиям

o OpenCV
o CNN
o RNN
o LSTM
o FCN
o GAN, CycleGAN
o Reinforcement Learning

33.

Спасибо за внимание!
Михеев Александр
Разработчик Simcase
E-mail: [email protected]

34. С чего начать

• Python (Anaconda если
проблема сразу слезть с
Windows)
• IDE: PythonNotebook,
PyCharm
• Scikit-learn
• Keras + Theano или
Thensorflow
• Не самый слабый
компьютер для удобства
работы (+GPU если
Немного математики (теория вероятности, линейная
алгебра, численные методы оптимизации)
Английский
Программирование
English     Русский Правила