Най-важните новини тази седмица – Microsoft AI Research достига човешки паритет в разговорното разпознаване на реч; Apple наема Ръс Салахутдинов като директор на AI.
Новини
Microsoft Artificial Intelligence and Research съобщи за система за разпознаване на реч, която прави същите или по-малко грешки от професионалните транскрипционисти. Екипът „докладва“ процент грешки в думата (WER) от 5,9 процента, което е по-малко от 6,3 процента WER, отчетени от екипа само миналия месец.
Apple Inc. наема видния изследовател на изкуствения интелект от университета Карнеги Мелън, докато се стреми да си върне загубените позиции срещу конкуренти като Google, Microsoft Corp. и Amazon.com Inc. в машинното обучение.
AI•ON: Отворена мрежа с изкуствен интелект
Отворена мрежа за изкуствен интелект: изследователска общност за изкуствен интелект със 100% отворен код стартира по-рано тази седмица и започва с 10 отворени проблема.
Статии
Контекст, език и разсъждение в AI: Три ключови предизвикателства
Следващата фаза в революцията на ИИ изисква напредък в начина, по който технологията адресира и обработва данни от невизионния свят.
Изчистен и кратък преглед на това как дълбокото обучение трансформира автономното шофиране.
Уроци и инструменти
Деконволюция и артефакти на шахматна дъска
Когато се вгледаме много внимателно в изображения, генерирани от невронни мрежи, често виждаме странен шахматен модел на артефакти. Научете какво се случва и как да се справите с тях!
Пътна карта за четене на документи за задълбочено обучение за всеки, който има желание да учи
Ако сте новодошъл в областта на Deep Learning, първият въпрос, който може да имате, е „От коя хартия да започна да чета?“
Ето пътна карта за четене на документи за дълбоко обучение!
Изучаване на интерпретируеми латентни представяния с InfoGAN
Урок за внедряване на InfoGAN в Tensorflow. Научете какво представляват InfoGAN и прочетете интуитивно обяснение за това какво правят InfoGAN и как могат лесно да бъдат внедрени в настоящите GAN.
Проучване
Полуконтролиран трансфер на знания за задълбочено обучение от данни от частно обучение
Някои приложения за машинно обучение включват данни за обучение, които са чувствителни, като например медицинските истории на пациенти в клинично изпитване. Един модел може по невнимание и имплицитно да съхрани някои от своите данни за обучение. Това изследване постига най-съвременни компромиси за поверителност/полезност на MNIST и SVHN благодарение на подобрен анализ на поверителността и полуконтролирано обучение.
Ако харесвате това, което четете, моля, следвайте и препоръчайте на приятелите си или поздравете в Twitter! Радвам се да чуя вашите предложения и препоръки @deephunt_in или в коментарите по-долу!
Първоначално публикуван като бюлетин на Deep Hunt.
