Ежедневный информационный бюллетень — 3 декабря 2020 г.
Классификация звуков для мобильных приложений с использованием TFLite, обучение модели игре NES Punch-Out и улучшенные модели распознавания объектов нейробиологами — все это читайте в сегодняшнем выпуске Data Science Daily.
Модели классификации звука для мобильных приложений с использованием Teachable Machine и TFLite
Модели машинного обучения могут классифицировать звук по предопределенным категориям, таким как щебетание птиц, человеческая речь и т. д. Это называется классификацией звука.
Обучаемая машина теперь позволяет обучать собственную модель классификации звуков и экспортировать ее в формат TensorFlow Lite (TFLite). Затем вы можете интегрировать модель TFLite в свои мобильные приложения или устройства IoT. Это простой способ быстро приступить к работе с классификацией звуков.
Обучение LSTM NN игре NES Punch-Out!! с пользовательской библиотекой ML
NES Punch-Out!! — это ретро-игра, выпущенная для Nintendo Entertainment System в 1987 году. "RainingComputers" использует специально созданную библиотеку машинного обучения для обучения длинной и короткой нейронная сеть памяти, чтобы играть в эту игру.
GitHub: https://github.com/RainingComputers/NES-Punchout-AI
pykitml — это библиотека машинного обучения, написанная только с использованием NumPy и Matplotlib. Он был построен с нуля и в настоящее время поддерживает следующие модели.
- Линейная регрессия
- Логистическая регрессия
- Машина опорных векторов
- Нейронная сеть
- Ближайший сосед
- Древо решений
- Случайный лес
- Наивный Байес
- Кластеризация K-средних
- Анализ основных компонентов
Документы: https://pykitml.readthedocs.io/en/latest/
GitHub: https://github.com/RainingComputers/pykitml
Нейробиологи усовершенствовали модели распознавания объектов
«Просто сделав модели более похожими на первичную зрительную кору головного мозга, на этом единственном этапе обработки мы видим довольно значительные улучшения устойчивости при многих различных типах возмущений и искажений». — говорит Тьяго Маркес, постдок Массачусетского технологического института.
Хотя сверточные нейронные сети (CNN) можно научить распознавать объекты почти так же точно, как люди, у них есть один существенный недостаток. Очень небольшие изменения в изображениях могут обмануть их и привести к серьезным осложнениям, таким как классификация собаки как дерева.
Группа неврологов из Массачусетского технологического института, Гарвардского университета и IBM разработала способ уменьшить эту уязвимость, добавив к этим моделям новый слой, предназначенный для имитации самой ранней стадии системы обработки изображений мозга. . В новом исследовании они показали, что этот слой значительно повысил устойчивость моделей к ошибкам такого типа.
Статья: https://news.mit.edu/2020/object-recognition-v1-1203
Подписаться!
Ваша ежедневная порция статей, ресурсов, учебных пособий, наборов данных, видео и многого другого по науке о данных, отобранных и отобранных командой Jovian. Вы можете подписаться на информационный бюллетень Jovian на Medium, чтобы получать этот ежедневный информационный бюллетень на свою электронную почту.
Связаться с нами
Свяжитесь с нами по адресу [email protected], чтобы получить рекомендации или если у вас есть ссылки, которыми стоит поделиться с сообществом. Обязательно загляните на форум Юпитера здесь.
Подпишитесь на нас в Twitter, LinkedIn и YouTube, чтобы оставаться в курсе.
