ฝัง
- เผยแพร่เมื่อ 9 มิ.ย. 2022
- Για να κατεβάσεις δωρεάν τον κατάλογο με τις Deep Learning πηγές κάντε κλικ στο link: www.didactics.gr/deep_learnin...
Ο κατάλογος έχει ταξινομημένα link ούτως ώστε να μπορεί να επωφεληθεί ο καθένας από εμάς ανεξαρτήτως επιπέδου. Θα βρεις δηλαδή υλικό για αρχάριους αλλά και για εξοικειωμένους στον τομέα του Deep Learning.
Η τεχνητή νοημοσύνη χρόνο με τον χρόνο εισέρχεται όλο και περισσότερο στην ζωή μας. Στο επεισόδιο αυτό αναλύω μια από τις πιο ενδιαφέρον περίπτωσης τεχνητής νοημοσύνης, η οποία ονομάζεται Deep Learning. Αναφέρω επίσης ένα πρόσφατο paper το οποίο παρουσιάζει πως το Deep Learning μπορεί να βοηθήσει στην φωτογράφιση μαύρων τρυπών, όπως η Μ87. Καλή ακρόαση!
Παρουσίαση-Επιμέλεια: Τσαγκαράκης Αλέξανδρος
Πηγές εικόνων-βίντεο : ESO/L. Calçada, Digitized Sky Survey 2, ESA/Hubble, RadioAstron, De Gasperin et al., Kim et al. EHT Collaboration.
Boston Dynamics
NIO
Google/Lichtman Laboratory
Unsplash
Background image: BAUX Design
References and further reading:
[1] Heaton, J.. Applications of Deep Neural Networks with Keras. ( arXiv:2009.05673 )
[2] Sun, H., & Bouman, K.. (2020). Deep Probabilistic Imaging: Uncertainty Quantification and Multi-modal Solution Characterization for Computational Imaging. ( arXiv:2010.14462 )
[3] Event Horizon Telescope Collaboration, First M87 Event Horizon Telescope Results. IV. Imaging the Central Supermassive Black Hole. ( arXiv:1906.11241 )
[4] Wikipedia. el.wikipedia.org/wiki/Νευρώνας
[5] MIT News, Study finds a striking difference between neurons of humans and other mammals, ( news.mit.edu/2021/neurons-hum... )
[6] Shapson-Coe, A., Januszewski, M., Berger, D., Pope, A., Wu, Y., Blakely, T., Schalek, R., Li, P., Wang, S., Maitin-Shepard, J., Karlupia, N., Dorkenwald, S., Sjostedt, E., Leavitt, L., Lee, D., Bailey, L., Fitzmaurice, A., Kar, R., Field, B., Wu, H., Wagner-Carena, J., Aley, D., Lau, J., Lin, Z., Wei, D., Pfister, H., Peleg, A., Jain, V., & Lichtman, J. (2021). A connectomic study of a petascale fragment of human cerebral cortex. bioRxiv. ( www.biorxiv.org/content/10.11... )
[7] Sardi, S., Vardi, R., Tugendhaft, Y., Sheinin, A., Goldental, A., & Kanter, I. (2022). Long anisotropic absolute refractory periods with rapid rise times to reliable responsiveness. Phys. Rev. E, 105, 014401. ( link.aps.org/doi/10.1103/Phys... )
[8] Dan Guest, Kyle Cranmer, & Daniel Whiteson (2018). Deep Learning and Its Application to LHC Physics. Annual Review of Nuclear and Particle Science, 68(1), 161-181.
[9] Zhen Qian, Vladislav Belavin, Vasily Bokov, Riccardo Brugnera, Alessandro Compagnucci, Arsenii Gavrikov, Alberto Garfagnini, Maxim Gonchar, Leyla Khatbullina, Ziyuan Li, Wuming Luo, Yury Malyshkin, Samuele Piccinelli, Ivan Provilkov, Fedor Ratnikov, Dmitry Selivanov, Konstantin Treskov, Andrey Ustyuzhanin, Francesco Vidaich, Zhengyun You, Yumei Zhang, Jiang Zhu, & Francesco Manzali (2021). Vertex and energy reconstruction in JUNO with machine learning methods.
[10] Katherine L. (Katie) Bouman: Beyond the First Portrait of a Black Hole, ( • Katherine L. (Katie) B... )
[11] How to take a picture of a black hole | Katie Bouman | TEDxBeaconStreet ( • How to take a picture ... )
[12] Report: AI investments see largest year-over-year growth in 20 years( venturebeat.com/2021/12/06/re... ) - วิทยาศาสตร์และเทคโนโลยี
![Ολα* τα Μαθηματικά που Χρειάζεσαι για τη Μηχανική Μάθηση! [Μάθε πως Μαθαίνουν]](http://i.ytimg.com/vi/mnG9jpOW15g/mqdefault.jpg)
Για να κατεβάσεις δωρεάν τον κατάλογο με τις Deep Learning πηγές κάντε κλικ στο link: www.didactics.gr/deep_learning_resources
Ο κατάλογος έχει ταξινομημένα link ούτως ώστε να μπορεί να επωφεληθεί ο καθένας από εμάς ανεξαρτήτως επιπέδου. Θα βρεις δηλαδή υλικό για αρχάριους αλλά και για εξοικειωμένους στον τομέα του Deep Learning.
Πραγματικά αξιόλογο κανάλι
❤️thanks
Πολυ καλό βίντεο συγχαρητήρια!
Έχοντας μια προσωπική επαφή με τα Neural Networks θεωρώ ότι ήταν όσο πρέπει για τον καθημερινό άνθρωπο για να καταλάβει ένα αρκετά πολύπλοκο 😵💫 αντικείμενο, με ευρεία εφαρμογή, όπως αυτό !!!
Ευχαριστώ!!
Είναι πραγματικά πολύ ωραίο το θέμα!
Προσωπικά, θα προτιμούσα να εμβαθύνει λίγο περισσότερο, χωρίς βέβαια να φτάσει να γίνει κουραστικό. Νομίζω πως ένα βίντεο 10-12 λεπτών θα ήταν καταλληλότερο.
Επίσης, θα ήθελα να τονίζω τη σημασία της σωστής χρήσης της γλώσσας. Δεν αρμόζει σε εκπαιδευτικό κανάλι να ακούγεται: «…μια υποκατηγορία που, κατά τη γνώμη μου, είναι η πιο ενδιαφέρον…» (0:43-0:47) --> ο ενδιαφέρων, η ενδιαφέρουσα, το ενδιαφέρον
Το κανάλι έχει ξεκινήσει δυναμικά και περιμένω να το δω να εξελίσσεται όπως του αξίζει.
Σορρυ για το γραμματικό λάθος, το είχα παρατηρήσει αλλά ήταν πλέον αργά. Μου ξέφυγε🙂 σας ευχαριστώ πάντως για τα καλά σας λόγια!
ομορφα βιντεο
Ευχαριστώ πολύ! 🙂
Πολυ ενδιαφέρον ! Περιμένουμε και αλλά επεισόδια👌
❤️
Πολύ ωραίο βίντεο
Να σαι καλά!
👍🏼👍🏼
Πολύ ενδιαφέρον !
Θενξ Άννα!
Πολύ ωραίο θέμα, γιατί χρησιμοποιείται κάρτα γραφικών και όχι επεξεργαστής; τι πλεονεκτήματα έχει παραπάνω η κάρτα γραφικών; ευχαριστώ
Είναι ζήτημα αρχιτεκτονικής του κάθε επεξεργαστή.
Ας κάνουμε έναν παραλληλισμό ότι ο επεξεργαστής του υπολογιστή σου έχει λίγους εργάτες αλλά έξυπνους και ικανούς να κάνουν πολύπλοκες εργασίες.
Η κάρτα γραφικών από την άλλη έχει πολύ περισσότερους εργάτες αλλά φτιαγμένους να κάνουν απλές εργασίες.
Οι εργάτες είναι οι πύρινες και οι εργασίες απλές ή δύσκολες είναι οι εντολές που μπορεί να εκτελέσει ο εκάστοτε επεξεργαστής.
Οι απλές εργασίες θα μπορούσες να πεις ότι είναι εργασίες που γίνονται σε έναν κύκλο όπως προσθαφαιρέσεις, συγκρίσεις, ολισθήσεις κλπ
Τώρα στην περίπτωση μας κάθε κόμβος αυτού του γραφου (νευρώνας) στην πραγματικότητα κάνει απλές συγκρίσεις και παράγει μια έξοδο. Εργασία δλδ που δεν απαιτεί πολύπλοκες εντολές αλλά θελουμε όμως για την εκμάθηση πολλές, πολλές επανάληψης με την αντίστοιχη ανατροφοδότηση ώστε να ελαχιστοποιήσουμε το σφάλμα της τελικής εξόδου όλου του δικτύου (εκμάθηση)
Όποτε με βάση τα παραπάνω μια καλή αρχιτεκτονική είναι αυτή που έχει πολλούς εργάτες, χαζούς βέβαια αλλά πολύ γρήγορους.
Με λίγα λόγια δλδ θα λέγαμε ότι στην κάρτα γραφικών η διαδικασία εκμάθησης ενός νευρωνικού δικτύου γίνεται πολύ πιο γρήγορα.
Υ.Γ. Αρκεί βέβαια η κάρτα γραφικών να είναι κατάλληλη. Οι Nvidia ενδείκνυνται για τέτοιες δουλειές.
Η “επεξεργασία” της εισόδου, που εκτελεί το νευρωτικού δίκτυο (ας έχουμε στο νου μας τον έναν νευρώνα που περιγράφεται και στο βίντεο), πολλές φορές ανάγεται σε πράξεις που απαιτούν γραμμικούς μετασχηματισμούς (διανύσματα τα οποία τα αντιμετωπίζουμε ως πίνακες). Οι κάρτες γραφικών των υπολογιστών είναι κατασκευασμένες έτσι ώστε να εκτελούν τέτοιου είδους υπολογισμούς αποδοτικά. Για αυτό το λόγο επιλέγονται, στην πλειοψηφία τους, σύνθετα νευρωνικά δίκτυα να εκτελούνται πάνω σε κάρτες γραφικών. Η nvidia έχει κάνει και σχετική έρευνα στο αντικείμενο για την βελτίωση της εκτέλεσης τέτοιων αλγορίθμων και παρέχει και σχετικά προϊόντα (software & hardware)
AI στο TH-cam
Πολύ ενδιαφέρον βίντεο , κατανοητό για τον καθένα εντός και εκτός του χώρου!!!
Να σαι καλά φίλε!
Τί ήνε τεχνητή νοημοσύνη αποθήκευσή πληροφοριών πυ τυ ρύθμισε Ο άνθρωπος όποτε ίσον ένα τίποτε ι τεχνίτη νοημοσύνη Μπόρι να ανακάλυψη κάτι από μονιτισ φυσικά όχι όποτε Δεν προκιτε να ξεπεράσει την νοημοσύνη του άνθρωπυ 🤘👽