Мейнфрейми працюють в найбільших компаніях світу, включаючи банки, страхові компанії, рітейлерів і авіакомпанії. Незважаючи на стають все більш популярними хмарні сервіси, мейнфрейми залишаються в строю завдяки своїй величезній продуктивності. Наприклад, сучасний мэйнфрейм IBM z Systems здатний обробляти в режимі реального часу близько 2,5 млрд транзакцій в день — це еквівалент транзакцій, які були оброблені за 100 киберпонедельников.

Зараз IBM планує додати підтримку частини своїх когнітивних сервісів для мейнфреймів для більш ефективної обробки даних, запропонувавши глибоке навчання для всіх користувачів своїх мейнфреймів. Планується додати цю можливість для будь-якої технології компанії, яка має відношення до великих даними у випадку, коли інформація зберігається за файерволом, що IBM називає «приватним хмарою».

Читати далі →



Штучний інтелект став за останні кілька років притчею во язицех. Йдеться як про нові розробки в сфері слабкої форми ШІ, так і про думку фахівців про те, що штучний інтелект може виявитися небезпечним для людства. Але як би там не було, фахівці поступово вдосконалюють слабку форму ІІ, роблячи її більш ефективною та продуктивною. Наприклад, корпорація IBM поступово впроваджує когнітивну систему Watson у свої продукти, так само, як і розробки сторонніх компаній. Google йде попереду всієї планети з AlphaGo, а підрозділ цієї корпорації DeepMind створює нові форми ІІ.

Важливу роль у подібних проектах грає машинне навчання. Ця сфера також розвивається дуже швидко, потроху з'являючись у різних напрямках розвитку науки, технологій, побуту людини. Робомобили, онлайн-маркетинг, кібербезпека, фінансові операції, військову справу. Це тільки мала дещиця сфер, де використовується машинне навчання, без якого неможливий ІІ. Апаратне забезпечення, яке тут задіюється, повинно бути дуже потужним. Далеко не кожен розробник може дозволити собі придбання необхідного обладнання. І тут приходить на допомогу спеціалізований дата-центр.

Читати далі →

Хабр, привіт! У сучасному машинному навчанні та науці про даних можна виділити кілька трендів. Перш за все, це глибоке навчання: розпізнавання зображень, аудіо та відео, обробка текстів на природних мовах. Ще одним трендом стає навчання з підкріпленням — reinforcement learning, що дозволяє алгоритмам успішно грати в комп'ютерні і настільні ігри, і дає можливість постійно поліпшувати побудовані моделі на основі відгуку зовнішнього середовища.

Є і ще один тренд, менш помітний, так як його результати для зовнішніх спостерігачів виглядають не так вражаюче, але не менш важливе — автоматизація машинного навчання. У зв'язку з його стрімким розвитком знову актуальним стає питання про те, чи не будуть data scientist'и зрештою автоматизовані і витіснені штучним інтелектом.

Читати далі →

У березні минулого року програма AlphaGo, розроблена Google DeepMind, здобула перемогу над одним з кращих майстрів го у світі — Чи Седолем (Lee Sedol). Ця серія ігор стала показником того, на що здатні нейронні мережі. І вони знаходять застосування в інших (менш глобальних) програмах, наприклад, у програмах для виявлення шкідливого ПЗ або перекладу тексту на зображеннях.

Очікується, що найближчим часом вартість ринку програмного забезпечення, що використовує можливості глибокого навчання, перевищить 1 мільярд доларів. Тому дослідники займаються проектуванням спеціальних чіпів, здатних впоратися з такими додатками.

Серед них виділяються Google, Nvidia, Qualcomm і ін. Але сьогодні ми б хотіли поговорити про розробку вчених Мічиганського університету — проекті Michigan Micro Mote — комп'ютері об'ємом в один кубічний міліметр.


Читати далі →

Створюємо нейронну мережу InceptionV3 для розпізнавання зображень



Привіт, Хабр! Під катом піде мова про реалізацію сверточной нейронної мережі архітектури InceptionV3 з використанням фреймворку Keras. Статтю я вирішив написати після ознайомлення з туториалом "Побудова потужних моделей класифікації з використанням невеликої кількості даних". З схвалення автора туториала я трохи змінив зміст своєї статті. На відміну від запропонованої автором нейронної мережі VGG16, ми будемо навчати гугловскую глибоку нейронну мережу Inception V3, яка вже встановлена в Keras.

Ви навчитеся:

  1. Імпортувати нейронну мережу Inception V3 з бібліотеки Keras;
  2. Налаштовувати мережу: завантажувати ваги, змінювати верхню частину моделі (fc-layers), таким чином, пристосовуючи модель під бінарну класифікацію;
  3. Проводити тонке налаштування нижнього згорткового шару нейронної мережі;
  4. Застосовувати аугментацію даних за допомогою ImageDataGenerator;
  5. Навчати мережу по частинах для економії ресурсів і часу;
  6. Оцінювати роботу моделі.
При написанні статті я ставив перед собою завдання представити максимально практичний матеріал, який розкриє деякі цікаві можливості фреймворка Keras.

Читати далі →

Deep Learning: Поєднання глибокої сверточной нейронної мережі з рекурентної нейронної мережею

Представляємо вам завершальну статтю з циклу по Deep Learning, в якій відображені підсумки роботи по навчанню ДБНС для зображень з певних областей на прикладі розпізнавання і тегів елементів одягу. Попередні частині ви знайдете під катом.



Читати далі →

Як зупинити відтік людей з онлайн-курсу і заодно потрапити на хакатон

Онлайн-курси, крім своєї зручності та доступності, славляться тим, що на них надзвичайно легко забивати, що з успіхом і роблять багато слухачів. Забивати слухачам трапляється з різних причин — незрозумілий курс, минув дедлайн, не встиг набрати бали, вийшов Fallout 4 – у всіх свої виправдання. А ось у нас виправдань бути не може: якщо людина покидає курс, світ втрачає потенційного розробника або фахівця з аналізу даних, а ще кіловат-години і витрачений нашим героєм час.
найскладніша задача тут — визначити, хто з користувачів втече, а знаючи їх, вже набагато простіше запобігти втрати: «попереджений, значить озброєний».
В кінці статті ви дізнаєтеся, як за допомогою рішення проблеми потрапити на хакатон з аналізу даних
image

Читати далі →

Deep Learning: Transfer learning і тонка настройка глибоких згорткових нейронних мереж

У попередньої статті з циклу «Deep Learning» ви дізналися про порівняння фреймворків для символьного глибокого навчання. У цьому матеріалі мова піде про глибоку налаштування згорткових нейронних мереж для підвищення середньої точності та ефективності класифікації медичних зображень.



Читати далі →

Deep Learning: Порівняння фреймворків для символьного глибокого навчання

Представляємо вам переклад серії статей, присвячених глибоке навчання. У першій частині описано вибір фреймворка з відкритим кодом для символьного глибокого навчання, між MXNET, TensorFlow, Theano. Автор докладно порівнює переваги і недоліки кожного з них. У наступних частинах ви дізнаєтеся про тонкій настройці глибоких згорткових мереж, а також про поєднання глибокої серточной нейронної мережі з рекурентної нейронної мережею.



Читати далі →

Огляд курсів за Deep Learning

Привіт, Хабр! Останнім часом все більше і більше досягнень в області штучного інтелекту пов'язано з інструментами глибокого навчання або deep learning. Ми вирішили розібратися, де ж можна навчитися необхідним навичкам, щоб стати фахівцем в цій області.

image

Читати далі →