В предыдущей статье из цикла «Deep Learning» вы узнали о сравнении фреймворков для символьного глубокого обучения. В этом материале речь пойдет о глубокой настройке сверточных нейронных сетей для повышения средней точности и эффективности классификации медицинских изображений.

Добро пожаловать во вторую часть руководства по нейронным сетям. Сразу хочу принести извинения всем кто ждал вторую часть намного раньше. По определенным причинам мне пришлось отложить ее написание. На самом деле я не ожидал, что у первой статьи будет такой спрос и что так много людей заинтересует данная тема. Взяв во внимание ваши комментарии, я постараюсь предоставить вам как можно больше информации и в то же время сохранить максимально понятный способ ее изложения. В данной статье, я буду рассказывать о способах обучения/тренировки нейросетей (в частности метод обратного распространения) и если вы, по каким-либо причинам, еще не прочитали первую часть, настоятельно рекомендую начать с нее. В процессе написания этой статьи, я хотел также рассказать о других видах нейросетей и методах тренировки, однако, начав писать про них, я понял что это пойдет вразрез с моим методом изложения. Я понимаю, что вам не терпится получить как можно больше информации, однако эти темы очень обширны и требуют детального анализа, а моей основной задачей является не написать очередную статью с поверхностным объяснением, а донести до вас каждый аспект затронутой темы и сделать статью максимально легкой в освоении. Спешу расстроить любителей “покодить”, так как я все еще не буду прибегать к использованию языка программирования и буду объяснять все “на пальцах”. Достаточно вступления, давайте теперь продолжим изучение нейросетей.

Предисловие

Данные статьи (часть 2) являются частью моей научной работы в ВУЗе, которая звучала так: «Программный комплекс детектирования лиц в видеопотоке с использованием сверточной нейронной сети». Цель работы была — улучшение скоростных характеристик в процессе детектирования лиц в видеопотоке. В качестве видеопотока использовалась камера смартфона, писалось десктопное ПС (язык Kotlin) для создания и обучения сверточной нейросети, а также мобильное приложение под Android (язык Kotlin), которая использовала обученную сеть и «пыталась» распознать лица из видеопотока камеры. Результаты скажу получились так себе, использовать точную копию предложенной мной топологии на свой страх и риск (я бы не рекомендовал).

Нейронные сети – один из самых популярных классов алгоритмов для машинного обучения. В финансовом анализе они чаще всего применяются для прогнозирования, создания собственных индикаторов, алгоритмического трейдинга и моделирования рисков. Несмотря на все это, репутация у нейронных сетей подпорчена, поскольку результаты их применения можно назвать нестабильными.

Количественный аналитик хедж-фонда NMRQL Стюарт Рид в статье на сайте TuringFinance попытался объяснить, что это означает, и доказать, что все проблемы кроются в неадекватном понимании того, как такие системы работают. Мы представляем вашему вниманию адаптированный перевод его статьи.

Привет всем читателям Habrahabr, в этой статье я хочу поделиться с Вами моим опытом в изучении нейронных сетей и, как следствие, их реализации, с помощью языка программирования Java, на платформе Android. Мое знакомство с нейронными сетями произошло, когда вышло приложение Prisma. Оно обрабатывает любую фотографию, с помощью нейронных сетей, и воспроизводит ее с нуля, используя выбранный стиль. Заинтересовавшись этим, я бросился искать статьи и «туториалы», в первую очередь, на Хабре. И к моему великому удивлению, я не нашел ни одну статью, которая четко и поэтапно расписывала алгоритм работы нейронных сетей. Информация была разрознена и в ней отсутствовали ключевые моменты. Также, большинство авторов бросается показывать код на том или ином языке программирования, не прибегая к детальным объяснениям.

Поэтому сейчас, когда я достаточно хорошо освоил нейронные сети и нашел огромное количество информации с разных иностранных порталов, я хотел бы поделиться этим с людьми в серии публикаций, где я соберу всю информацию, которая потребуется вам, если вы только начинаете знакомство с нейронными сетями. В этой статье, я не буду делать сильный акцент на Java и буду объяснять все на примерах, чтобы вы сами смогли перенести это на любой, нужный вам язык программирования. В последующих статьях, я расскажу о своем приложении, написанном под андроид, которое предсказывает движение акций или валюты. Иными словами, всех желающих окунуться в мир нейронных сетей и жаждущих простого и доступного изложения информации или просто тех, кто что-то не понял и хочет подтянуть, добро пожаловать под кат.

Данная статья продемонстрирует возможность легко написать свою нейронную сеть на языке Javа. Дабы не изобретать велосипед, возьмем уже хорошо проработанную библиотеку Fast Artificial Neural Network. Использование нейронных сетей в своих Java-проектах — реально. Часто можно услышать упреки в адрес Java касательно скорости выполнения. Хотя разница не так велика — подробно об этом можно узнать в публикации «Производительность C++ vs. Java vs. PHP vs. Python. Тест «в лоб»». Мы будем использовать обертку вокруг библиотеки FANN.

Сегодня сервис поиска маршрутов городского общественного транспорта Rusavtobus работает в Москве, Санкт-Петербурге и Екатеринбурге. Если Вы хотите создать интерактивный поисковый сервис «Маршруты города» в своем городе — напишите нам по адресу info@rusavtobus.ru. Мы расскажем, что для этого нужно, и предоставим все необходимые форматы данных и удобную администраторскую панель для наполнения и обновления базы маршрутов.

Помимо того, что Вы создадите полезный сервис для своего города, у Вас появится возможность получать благодаря нему доход. Напишите нам, и мы рассмотрим Ваше предложение!

Для создания сервиса в Вашем городе необходимо, чтобы на Google Maps была его карта с точностью до номеров домов. Возможно использование других карт, но у Вас должен быть свой интерфейс работы с ними, позволяющий передвигаться по карте мышкой, приближать и удалять карту, а также наносить на нее маркеры.

Кстати, создавать новые сервисы можно не только в России, но и в любых других странах, где есть детальные карты городов.

Счастливого пути!

На сайте практически любой компании и любого офиса, института, ресторана или агентства есть страница с адресом и картой проезда. Виджет русавтобуса позволяет владельцам сайтов предоставить своим клиентам новую услугу: возможность проложить маршрут на общественном транспорте до любого офиса компании при помощи персональной формы поиска.

Установка виджета очень проста:
1. Необходимо получить код виджета и разместить его на своем сайте.
2. Пользователь сайта вводит свой адрес в качестве точки отправления.
3. Затем выбирает один из адресов компании в качестве точки назначения.
4. И нажимает кнопку «Найти маршрут».

В результате пользователь получает несколько вариантов проезда, сопровождённых подробной статистикой о маршруте и онлайн-информацией о пробках.

Всё очень просто и удобно!

При желании можно создать виджет без CSS-оформления, чтобы получить возможность максимально точно настроить его внешний вид под дизайн конкретной страницы.

Разработчики сайта приглашают всех оценить виджет и будут благодарны любым предложениям.

Счастливого пути!

Какое редкое и желанное объявление, не правда ли?

В новой версии сети поисковых сайтов «Маршруты Города» у зарегистрированных пользователей появилась новая возможность – бесплатно давать любые объявления, связанные с конкретным адресом в городе, например, о недвижимости: снять квартиру, сдать в аренду офис, купить дом или даже подарить земельный участок.

Кроме того, ты можешь добавить на карту любой объект: достопримечательность, свой универ, офис или, например, спортплощадку. Кнопки «Как сюда доехать?» и «Как отсюда уехать?» помогут тебе и твоим друзьям найти оптимальный маршрут к нужному месту в Москве, Санкт-Петербурге и Екатеринбурге.

Добавленные объекты и объявления будут отображаться на сайте Наш.Русавтобус. Кроме того, все добавленные социально-значимые городские объекты, лучшие фотографии, а также часть объявлений будут отображаться и на интерактивной карте городских поисковых сервисов при выдаче маршрутов возле точек отправления и назначения.

Кстати, чем больше объектов и красивых фотографий города ты добавишь, и чем выше их оценят твои Попутчики — тем больше у тебя шансов для продвижения в проекте «Наш Русавтобус», которые откроют для тебя новые возможности. Какие именно? Подробности в следующих анонсах!

Разработчики проекта приглашают всех оценить его новые возможности и будут благодарны за предложения по улучшению сервиса.

Счастливого пути!

Тем, кто пользуется общественным транспортом Москвы, сообщаем, что на
недавно открывшемся сервисе поиска маршрутов msk.rusavtobus.ru появились новые возможности.

В маршрутную сеть первой российской транспортной карты добавлены электрички,
монорельс и легкое метро. Благодаря этому теперь в поиске задействованы
практически все виды Московского городского транспорта, а область покрытия
маршрутами расширилась до Пушкино, Зеленограда, Балашихи и Одинцово.

Еще одно нововведение: в новой версии сайта у пользователей появилась
возможность самостоятельно выбирать различные виды транспорта для
формирования маршрутов. Это очень удобно: кому-то больше нравится ездить на
трамваях в солнечную погоду, а кто-то хочет быстрее доехать на метро.

Новой полезной функцией сайта стала возможность в качестве точек отправления
и назначения выбирать станции метро, станции электричек, аэропорты, музеи,
университеты, галереи, спорткомплексы, театры, рынки, библиотеки и многое
другое.

Кроме того, поиск стал работать быстрее, и при этом сайт стал выдавать еще
более точные маршруты.

Надеемся, что разработчики сайта будут и дальше радовать нас полезными
обновлениями.

Счастливого пути!