Как стать автором
Обновить
-22
Карма
-2.9
Рейтинг
Петр @ChePeter

Пользователь

  • Подписчики 11
  • Подписки 3

Тёмная сторона силы или все HR делают это

Анализ и проектирование систем *IT-стандарты *Управление персоналом *
Recovery mode

Найм топа экстра класса, профи - обычно дело ответственное и непростое, есть на эту тему множество статей, советов, слухов и легенд.

Но есть в этом деле и темная сторона, о которой знают все HR, но никогда не расскажут.

Попробую рассмотреть процедуру найма топа подробно, детально и начну издалека.

Читать далее
Всего голосов 14: ↑4 и ↓10 -6
Просмотры 4.9K
Комментарии 5

Искусственный интеллект лицом

Разработка веб-сайтов **nix *Сетевые технологии *Обработка изображений *C *
Recovery mode

кривое зеркало

или веб морда для ваших поделок ( Пет проект )

Если ваши успехи в освоении data science и других наук дошли до стадии, когда вам есть что показать, то самое время глянуть на эту статью. Эта статья совсем не про искусственный интеллект и про искусственный интеллект далее в статье больше ни слова. Эта статья описывает один из способов получить из сети картинку, обработать её и отдать обратно. Как можно дешевле, надёжней, быстрей (это конечно фантастика) Можно и с AI, можно и без AI, главное то, что есть обработчик картинок и есть что показать человечеству!

Читать далее
Всего голосов 7: ↑5 и ↓2 +3
Просмотры 1.3K
Комментарии 1

Интуиция Искусственного Интеллекта — миф или реальность?

Ненормальное программирование *Python *Data Mining *Искусственный интеллект
Recovery mode
Одно из самых известных, наиболее интересное и совсем не изученное свойство человеческого разума с давних пор привлекавшее исследователей это интуиция.

Со времен древности философы и математики пытались хоть как как то понять и определить смысл этого могучего нашего свойства.

Еще Платон разделял и выделял нелогическое познание,

Декарт, например, утверждал: «Под интуицией я разумею не веру в шаткое свидетельство чувств и не обманчивое суждение беспорядочного воображения, но понятие ясного и внимательного ума, настолько простое и отчётливое, что оно не оставляет никакого сомнения в том, что мы мыслим, или, что одно и то же, прочное понятие ясного и внимательного ума, порождаемое лишь естественным светом разума и благодаря своей простоте более достоверное, чем сама дедукция…».

Гегель указывал на непосредственное знание, и даже Фейербах упомянул о чувственности познания!

В данной статье автор попытается провести такое же исследование интуиции, но не человеческой, нам всем знакомой и известной, а определить и показать интуицию у искуственного интеллекта, у нейронной сети.
Читать дальше →
Всего голосов 2: ↑2 и ↓0 +2
Просмотры 1.6K
Комментарии 3

Семплинг поперек или как выжать из датасета еще несколько тысячных

Data Mining *Обработка изображений *Искусственный интеллект
Recovery mode
Эта статья про картинки и классификацию. Небольшое исследование свойств, такой вот штрих к портрету MNIST (ну и подсказка в решении других подобных задач).

В сети есть множество публикаций об интерпретации той или иной нейронной сети и значимости и вкладе тех или иных точек в обучение. Есть масса работ про поиск усов, хвостов и других частей и их важности и значимости. Не буду сейчас подменять библиотекарей и составлять список. Просто расскажу о своем эксперименте.
Читать дальше →
Всего голосов 4: ↑3 и ↓1 +2
Просмотры 723
Комментарии 2

Деградация связной структуры

Python *Программирование *Анализ и проектирование систем *Математика *
Recovery mode
Кролики и удавы
Вирусы и питоны

Всё, что один человек написал, другой может переврать!

В прессе масса информации про разные вирусы — страшилки, наив, бесстрашие с безумием и откровенные роботексты, но проверить ничего из этого нельзя. Поэтому решил проверить сам как и какие параметры влияют на состояние, развитие и деградацию связной структуры и сделать выводы.

Перейдем к делу, у нас есть узлы(может это и люди) связанные между собой. Узлы деградируют/болеют и их можно лечить, изолировать в карантине, ну и они отключаются, увы иногда навсегда.
Читать дальше →
Всего голосов 17: ↑3 и ↓14 -11
Просмотры 2.1K
Комментарии 3

Этюд в битовых тонах

Программирование *Алгоритмы *
Recovery mode
Когда то давно, во время ковыряния «в» и изучения «как» очень хорошего и полезного пакета OpenSSL и как всегда неожиданно возникла одна простая идея и как все такие очень неожиданные идеи канула в лету.

Но сухой остаток остался — была найдена ошибка в OpenSSL, в умножении большого числа на BN_ULONG и небольшая программа извлечения квадратного корня побитно. Сообщение об ошибке ушло на багтрекинг и было поправлено (пользуясь случаем извиняюсь за свою излишнюю эмоциональность тогда, не каждый день в OpenSSL ошибки находишь), а вот ту самую небольшую программу нахождения квадратного корня побитово по модулю 2^n, где n это количество бит\разрядность и предлагаю вашему вниманию.
Читать дальше →
Всего голосов 7: ↑6 и ↓1 +5
Просмотры 1.4K
Комментарии 0

Искусственный интеллект против лжи и коварства

Алгоритмы *Обработка изображений *Машинное обучение *Искусственный интеллект
Recovery mode
Во всех задачах обучения искусственного интеллекта присутствует одно пренеприятнейшее явление — ошибки в разметке обучающей последовательности. Ошибки эти неизбежны, так как вся разметка производится вручную, ибо если есть способ разметить реальные данные программно, то зачем нам ещё кого-то учить их размечать и тратить время и деньги на создание абсолютно ненужной конструкции!

Задача найти и удалить фейковые маски в большой обучающей последовательности достаточно сложна. Можно просмотреть их все вручную, но и это не спасёт от повторных ошибок. Но если внимательно приглядеться к предложенным в предыдущих постах инструментам исследования нейронных сетей, то оказывается есть простой и эффективный способ обнаружить и извлечь все артефакты из обучающей последовательности.

И в этом посте есть конкретный пример, очевидно, что простой, на эллипсах и полигонах, для обычной U-net, опять такое лего в песочнице, но необычайно конкретный, полезный и эффективный. Мы покажем как простой метод выявляет и находит почти все артефакты, всю ложь обучающей последовательности.

Итак, начнём!
Читать дальше →
Всего голосов 19: ↑12 и ↓7 +5
Просмотры 2.5K
Комментарии 4

Простота и cложность примитивов или как определить ненужный препроцессинг для нейронной сети

Data Mining *Алгоритмы *Машинное обучение *Искусственный интеллект
Recovery mode
Это третья статья по анализу и изучению эллипсов, треугольников и других геометрических фигур.
Предыдущие статьи вызвали у читателей несколько очень интересных вопросов, в частности о сложности или простоте тех или иных обучающих последовательностей. Вопросы на самом деле очень интересные, например насколько треугольник сложнее для обучения, чем четырехугольник или другой многоугольник?



Попробуем сравнить, и для сравнения у нас есть отличная, проверенная поколениями студентов, идея — чем короче шпаргалка, тем легче экзамен.

Статья эта тоже есть просто результат любопытства и праздного интереса, ничего из нее в практике не встречается и для практических задач тут есть пара отличных идей, но нет почти ничего для копипастинга. Это небольшое исследование сложности обучающих последовательностей — рассуждения автора и код изложены, можно все проверить/дополнить/изменить самим.

Итак, попробуем выяснить, какая геометрическая фигура сложнее или проще для сегментации, какой курс лекций для ИИ понятней и лучше усваивается.
Читать дальше →
Всего голосов 18: ↑15 и ↓3 +12
Просмотры 2.1K
Комментарии 0

Шпаргалка для искусственного интеллекта — выбрось лишнее, учи главному. Техника обработки обучающих последовательностей

Data Mining *Алгоритмы *Обработка изображений *Машинное обучение *Искусственный интеллект
Recovery mode
Это вторая статья по анализу и изучению материалов соревнования по поиску корабликов на море. Но сейчас будем изучать свойства обучающих последовательностей. Попробуем найти в исходных данных лишнюю информацию, избыточность и её удалить.



Статья эта тоже есть просто результат любопытства и праздного интереса, ничего из нее в практике не встречается и для практических задач тут нет почти ничего для копипастинга. Это небольшое исследование свойств обучающей последовательности — рассуждения автора и код изложены, можно все проверить/дополнить/изменить самим.

Недавно закончились соревнования на kaggle по поиску судов на море. Компания Airbus предлагала провести анализ космических снимков моря как с судами так и без. Всего 192555 картинок 768х768х3 — это 340 720 680 960 байт если uint8 и это громадный объем информации и возникло смутное подозрение, что не все картинки нужны для обучения сети и в таком количестве информации очевидны повторы и избыточность. При обучении сети принято некоторую часть данных отделять и не использовать в обучении, а использовать для проверки качества обучения. И если один и тот же участок моря попал на два разных снимка и при этом один снимок попал в тренировочную последовательность, а другой в проверочную, то проверка смысл потеряет и сеть переобучится, мы не проверим свойство сети обобщать информацию, ведь данные те же самые. Борьба с эти явлением отняла много сил и времени GPU участников. Как обычно, победители и призеры не торопятся показать своим поклонникам секреты мастерства и выложить код и нет возможности его изучить и поучиться, поэтому займемся теорией.
Читать дальше →
Всего голосов 17: ↑14 и ↓3 +11
Просмотры 5.7K
Комментарии 4

Небольшое исследование свойств простой U-net, классической сверточной сети для сегментации

Блог компании Open Data Science Занимательные задачки Обработка изображений *Машинное обучение *Искусственный интеллект
Recovery mode
Cтатья написана по анализу и изучению материалов соревнования по поиску корабликов на море.

image

Попробуем понять, как и что ищет сеть и что находит. Статья эта есть просто результат любопытства и праздного интереса, ничего из нее в практике не встречается и для практических задач тут нет ничего для копипастинга. Но результат не совсем ожидаем. В интернете полно описаний работы сетей в которых красиво и с картинками авторы рассказывают, как сети детерминируют примитивы — углы, круги, усы, хвосты и т.п., потом их разыскивают для сегментирования/классификации. Многие соревнования выигрываются с помощью весов с других больших и широких сетей. Интересно понять и посмотреть как и какие примитивы строит сеть.
Читать дальше →
Всего голосов 33: ↑31 и ↓2 +29
Просмотры 17K
Комментарии 9

Bitcoin & AI. Победа неизбежна

Криптография *Машинное обучение *
О некоторых свойствах кривой secp256k1 и попытке предсказать ее поведение.

Как известно, задача дискретного логарифмирования является очень сложной и люди не знают способа вычислять его быстро. Более того, зная точку на кривой P = n*G очень трудно сделать суждение о величине n. Даже о приблизительной величине. Попробуем еще проще: попробуем делать суждения о последовательности $P(i) = i*G$, вернее о значениях $i$ зная значения $P(i)$.
Читать дальше →
Всего голосов 20: ↑14 и ↓6 +8
Просмотры 7K
Комментарии 27

Блондинки, монстры и пристрастия искусственного интеллекта

Машинное обучение *
Предыдущая статья оставила ощущение недосказанности и две темы — блондинок и монстров не раскрыты были совсем.

Попробуем исправить и начнем с монстров.

Не секрет, что большинство систем распознавания используют ИИ для определения потенциальных кандидатов и нам тоже интересно проверить, как это у цифр.
Читать дальше →
Всего голосов 28: ↑25 и ↓3 +22
Просмотры 4.5K
Комментарии 10

Некоторые аспекты качества обучающих последовательностей

Data Mining *Машинное обучение *
На Хабре появился ряд статей о качестве образования и как процесса и как результата (уровень выпускников).

Тема заинтересовала и руки зачесались проверить, а как это устроено у пчелок роботов искусственного интеллекта, влияет ли качество обучающей последовательности на результат.

Была выбрана простая сеть из примеров Keras в которую добавил одну строку. Нас интересует насколько упорядоченность входной обучающей последовательности mnist влияет на результат обучения MLP.

Результат получился неожиданным и странным, пришлось перепроверять многократно, но перейдем к делу и конкретике.
Читать дальше →
Всего голосов 13: ↑11 и ↓2 +9
Просмотры 2K
Комментарии 11

Блеск и нищета Искусственного Интеллекта

Машинное обучение *
Из песочницы
На примере простой задачи с простой нейронной сетью. Навеяно вот этой статьей и сеть взята без изменений. Просто выполнить код было неинтересно и пытливый ум решил внести изменения в предмет распознавания. А именно, нужно взять и перемешать точки в 28х28 и посмотреть.
Читать дальше →
Всего голосов 45: ↑37 и ↓8 +29
Просмотры 18K
Комментарии 33

Информация

В рейтинге
Не участвует
Дата рождения
Зарегистрирован
Активность