https://colab.research.google.com/
DEEP LEARNING A GYAKORLATBAN PYTHON ÉS LUA ALAPON (BME)
- Git repo for the BME deep learning course. - GitHub
- http://smartlab.tmit.bme.hu/downloads/oktatas/deeplearning/vitmav45-2-backprop-pub.pdf progpater/2016/12/hello_samu_a_cifar-10_tf_tutorial_peldabol
http://gp.estontorise.hu/TF
Deep learning vs. machine learning: The difference starts with data
A comprehensive beginners guide to Linear Algebra for Data Scientists
analyticsvidhya/neural-network-from-scratch-in-python-and-r
Understanding and coding Neural Networks From Scratch in Python and R
A Deep Learning használhatóságát korlátozhatják az értelmezhetőség hiányosságai. (Black-Box.)1. A "társadalmi" szabályozás követelményeket jelent. Pl. a financial (credit scoring)-, élelmiszer-, egészségügy-, stb.
2. Az emberi mentális képességek és a Neurális hálók teljesítményének "kombinálásában" rejlő jelentős perspektívák.
Léteznek megoldási kisérletek:
- Maynard: módosított szerkezetű neurális hálók, melyek az egyes minősítésekhez okokat rendelnek.
- Jenkins: Előbb a neurális hálóval létrejön a modell, majd - ezeket felhasználva - hasonlóan reagáló, konvencionális modelleket építeni (pl. hajlékonyság modellezés).
Deep learning models hampered by black box functionality
MLBox
Tutorial on Automated Machine Learning using MLBox |
https://azure.microsoft.com/hu-hu/services/hdinsight/
----------------------------------------------------
Debugging & Visualising training of Neural Network with TensorBoard
-----------------------------------------------------------------------------------
The main differences between TensorFlow and SciKit Learn - softmax regression model
scikit-flow easy deep-learning with tensorflow and scikit-learn
https://github.com/tensorflow/skflow
https://www.wired.com/2016/05/the-end-of-code/
Deep Teaching
SCAN
https://arxiv.org/pdf/1707.03389.pdf
30 Questions to test your understanding of Logistic Regression
30 Questions to test a Data Scientist on Deep Learning
Getting Started with Audio Data Analysis using Deep Learning (with case study)
10 Advanced Deep Learning Architectures Data Scientists Should Know!
Debugging & Visualising training of Neural Network with TensorBoard
https://www.analyticsvidhya.com/blog/2017/08/knime-machine-learning/
Building your first machine learning model using KNIME (no coding required!)
- Neurális hálózatok Dr. Fazekas István 2013 (html jegyzet)
- Ez a jegyzet a Debreceni Egyetemen informatikus és matematikus diákok számára tartott Neurális hálózatok tantárgyhoz készült. Lényegében az előadások anyagát tartalmazza, de a gyakorlatok jelentős részét is lefedi. A jegyzet által tartalmazott anyag az alábbi (fejezetenként haladva). A Rosenblatt-féle perceptron; a többrétegű perceptron (Multi Layer Perceptron, MLP); a radiális bázis függvények (Radial Basis Function, RBF); a tartó vektor gépek (Support Vector Machine, SVM). Az Appendix a matematikai hátteret, főleg az optimalizálási módszereket foglalja össze. Számos ábra és kidolgozott példa is segíti a megértést. A fejezetek végén több kitűzött feladat áll, amelyek megoldása, vagy megoldási útmutatója a jegyzet végén található.
- pdf változat
Deep Learning width RapiMiner video available here.
coursera
analyticsvidhya/2017/12/introduction-to-recurrent-neural-networks
11 most read Deep Learning Articles from Analytics Vidhya in 2017
http://home.mit.bme.hu/~hadhazi/Oktatas/NN/Opt_exp.pdf
Keresési eredmények
gan „generatív ellenséges hálózatok”
Baidu trained an AI agent to navigate the world like a parent teaches a baby
Detecting heart disease using Deep Learning
DeepMind created artificial agents that can imagine and plan aheadMeet the first Machine Learning Algorithm that Completely Controls your Facial Expressions
A Brief Introduction to Neural Networks
If you’re interested in neural networks, this book is for you. It starts off by covering the history of neural networks before deep diving into the mathematics and explanation behind different types of NNs. The author expects the reader to have a background of basic linear algebra and calculus.
Deep Learning
This is probably one of the most comprehensive book written by distinguished people in deep learning field. Concepts like Monte Carlo Methods, Recurrent and Recursive Nets, Autoencoders and Deep Generative Models (among others) are covered in detail.
Machine Learning Yearning
No machine learning list is complete without mentioning Andrew Ng. According to him, this book will help the reader get up to speed with building AI systems. It will effectively teach you how to make the various decisions required with organizing a machine learning project.
The book is still being updated regularly and you can sign up on the site to receive updates as each chapter is posted.
1. Understanding and coding Neural Networks From Scratch in Python and R
2. Getting started with Deep Learning using Keras and TensorFlow in R
mit.bme.hu/mi_almanach/books/neuralis
|
IBM_snap_ML_lib.pdf
Baidu has Released a Gigantic Self-Driving Dataset named ApolloScape DeepMind is Using ‘Neuron Deletion’ to Understand Deep Neural NetworksIBM Launches Deep Learning as a Service for ML and AI Developers: Want to build a neural network but don’t have the deep expertise for it? IBM has launched it’s Deep Learning as a Service platform for ML and AI developers that takes the difficulty out of deep learning models!
Data sources:
Twitter Sentiment Analysis - Twitter érzelemelemzés
A gyűlöletbeszéd a rasszizmus és a szexizmus formájában a twitterre nézve kellemetlenné vált, és fontos, hogy ezeket a tweeteket elkülönítsük a többiektől. Ebben a Gyakorlat problémában olyan Twitter adatokat szolgáltatunk, amelyek normális és gyűlöli a tweeteket. A Data Scientist feladata azonosít
Ez az adatkészlet több mint 8000 hangkivonatot tartalmaz a 10 osztályból származó városi hangokból. Ez a gyakorlati probléma célja, hogy bemutassa az audio feldolgozást a szokásos osztályozási forgatókönyv szerint.
LibriSpeech
Ez az adatkészlet egy nagyjából 1000 óra angol nyelvű korpusz. Az adatok a LibriVox projekt hangoskönyvéből származnak. Szegmentált és rendezett. Ha kiindulási pontot keres, akkor nézze meg az előre elkészített Acoustic modelleket, amelyeket a kaldi-asr.org és az értékelésre alkalmas nyelvi modellekben képzettek. Http://www.openslr.org/11/ .
Ez az adatkészlet a Wikipédia teljes szövegének gyűjteménye. Közel 1,9 milliárd szót tartalmaz több mint 4 millió cikkből. Mi teszi ezt az erőteljes NLP-adatkészletet, hogy magát a bekezdés szót, kifejezést vagy egy részét keresi.Ez egy nyitott adatkészlet, amelyet a Yelp kiadott tanulási célokra. Ez több millió felhasználói véleményből, üzleti attribútumból és több mint 200 000 képből áll több nagyvárosi területről. Ez egy nagyon általánosan használt adatbázis az NLP-kihívások világszerte. WordNet
Mentioned in the ImageNet dataset above, WordNet is a large database of English synsets. Synsets are groups of synonyms that each describe a different concept. WordNet’s structure makes it a very useful tool for NLP.
COCO is a large-scale and rich for object detection, segmentation and captioning dataset. It has several features:
Size: ~25 GB (Compressed)
LSTM RNNÉlet és tudomány - Neurális hálózatokneuralis-halozatokrol-erthetoenAutomatic Image Captioning using Deep Learning (CNN and LSTM) in PyTorch Neurális Hálók és Funkcionális ProgramozásAleksziev Rita Antónia: Transzformációtanulás 2 dimenziós képekenhttp://colah.github.io/posts/2015-08-Understanding-LSTMs/Deep Learning a gyakorlatban Python és LUA alapon RNN, LSTMDeep Learning a gyakorlatban Python és LUA alapon - VITMAV45Tanuló Algoritmusok Újragondolvaormandi/mlp:
- 01-introduction - 02-octave.pdf - 03-linreg.pdf - 03-linreg_base.pdf - 04-linreg-cont-logre..> - 05-logreg.pdf - 06-ann.pdf - 07-svm.pdf - 08-eval_clustering -
KALMAN [PDF] Három üzemmódú kibővített Kalman szűrők repülőgép orientációjának becslésére[PDF] Egy-és többváltozós szűrők a hitelrés alakulásának meghatározásáraKálmán-szűrő – Wikipédia
https://hu.wikipedia.org/wiki/Kálmán-szűrő
A Kálmán-szűrő
egy algoritmus, mely mozgó, változó rendszerek állapotáról ad optimális
becslést sorozatos mérésekkel, figyelembe véve az állapotméréseket és a
zavaró tényezőket (zajok, bizonytalanságok, pontatlanságok). Ezzel az
algoritmussal jóval pontosabb információ kapható a vizsgált tárgyról,
mintha csak egy ...
15.4. Kalman-szűrők | Mesterséges Intelligencia Elektronikus Almanach
project.mit.bme.hu › ... › 15. fejezet - Időbeli valószínűségi következtetés
15.4. Kalman-szűrők.
Képzeljünk el egy kismadarat, amint a dzsungel sűrűjében repül
szürkületkor: a mozgásának csupán rövid, szakaszos felvillanásait
pillanthatjuk meg; minden igyekezetünkkel azt próbáljuk megjósolni, hogy
hol van most a madár, és legközelebb hol fog felbukkanni, hogy nehogy
szem elől tévesszük.
[PDF]Kálmán-szűrés
sci.fgt.bme.hu/gtoth/doktmat/Kalman1.pdf
Kálmán-szűrő - System BookIrányításelmélet | Digitális Tankönyvtár
www.tankonyvtar.hu/hu/tartalom/tamop412A/2011-0042.../ch16s04.html
Diszkrét idejű rendszerek irányítása és a Kalman-szűrő.
Legyen a diszkrét idejű rendszer állapot egyenlete. és legyen a
mátrixhoz tartozó karakterisztikus egyenlet. Alkalmazzunk teljes állapot
visszacsatolást. alakban. A kérdés az, hogy a folytonos idejű
rendszereknél megismert módon lehet-e a erősítés alkalmas ...
[PDF]szenzorfúzió alkalmazása beltéri autonóm négyrotoros helikopterenARDUINORESZECSKE szűrő
A Kalman-szűrő lineáris állapotátmeneteket vesz figyelembe. Azonban a
valóságban gyakoribbak az olyan esetek amikor nemlineáris átmenetekről
tudunk beszélni. Ennek a lekezelésére szolgál a kiterjesztett
Kalman-szűrő. Ebben az esetben a szűrő egy lokális környezetben
linearitást feltételez és az adott sugarú környezeten kívül viszont
nemlinearitást. De ebben az esetben az adott sugarú környezeten túli
környezet nem terjed túl messzire.
Tárgykövető algoritmusok matematikai modellekkel - PDF25.3. Érzékelés a robotikában | Mesterséges Intelligencia Elektronikus .
PARTICLE FILTER:
3D tracking targets via kinematic model weighted particle filter
XE Cheng, SH Wang, YQ Chen - Multimedia and Expo (ICME) …, 2016 - ieeexplore.ieee.org
… Concerning the proposed method, those particles are rejected by the kinematic model … 18] K.
Greff, RK Srivastava, J. Koutnık, BR Steunebrink, and J. Schmidhuber, “LSTM: A search … 20] MS Arulampalam, S. Maskell, N. Gordon, and T. Clapp, “A tutorial on particle filters for online …t present a recurrent neural … particle filter), and higher-order dependencies … To that end, we consider the long short-term memory (LSTM) recurrence (Hochreiter and Schmidhuber 1997 [PDF] Long short-term memory kalman filters: Recurrent neural estimators for pose regularizationAutomated Driving by Monocular Camera Using Deep Mixture ofTarget Tracking with Kalman Filtering, KNN and LSTMs - CS229
cs229.stanford.edu/.../IterKuckZhuang-TargetTrackingwithKalmanFil...
Írta: D Iter - 2016 - Kapcsolódó cikkek
2016. dec. 17. - sors is critical to autonomous driving. Rao-. Blackwellized particle filtering is well suited to this problem. Monte Carlo .... get tracking problem, a Kalman filter, an LSTM,
and a K-nearest neighbors approach. 4.2. Kalman Filter. We used the 2D
bounding boxes provided by KITTI's training sequences as the ...[PDF]arXiv:1605.07148v4 [cs.LG] 1 Oct 2017
https://arxiv.org/pdf/1605.07148
Írta: T Haarnoja - 2016 - Idézetek száma: 20 - Kapcsolódó cikkek
2017. okt. 1. - State estimation is an important component of mobile robotic applications, including autonomous driving and flight [22]. ... parametric filtering methods, such as particle filtering, are also often used for tasks ... mitigating this problem, through models such as the long short-term memory (LSTM) [10] and the. 2 ...
filtering step
----
There seems to be this assumption in the educational
community that deep learning is the answer to automatic driving. Yet
that's not how Waymo does it. They're geometry-first. Most of the
control is based on "flat road here, big obstacle there", plus map data.
Machine learning is only for "what's that". See the TED talk by Chris
Urmson.[1]
Driving on deep learning alone will work great, most of the
time. Some of the time, it will do something completely bogus. Like
Tesla's self-crashing cars, which use Mobileye's system to not-recognize
obstacles which block part of a lane.Sometimes, the system will sense an obstacle and won't be able to identify it. That has to be handled safely. [1] https://www.ted.com/talks/chris_urmson_how_a_driverless_car_..
--- AFAIK most SDC companies are using all kinds of
control inputs, whether they are based on classical Computer Vision
(RANSAC, HOG, SVM), on Deep Learning with 2D convolutions, on Deep
Learning with 3D convolutions and RNN (2D + time on a series of images),
Deep Reinforcement Learning (lane keeping, realtime path
planning/obstacle avoidance), LiDAR+Radar+Ultrasonic combo via Kalman or
particle filters, GPS, IMU etc. and then mix all those signals together
to figure out which ones are the most probable. And this all has to
happen with super-low latency. With the latest NVidia 500W GPUs for cars
we might get far better precision than what was possible with Jetson
TX2. You are right Deep Learning alone won't make it reliably, as
sometimes output goes completely wrong and simple filtering/averaging
past few frames might not be sufficient to prevent your self-driving car
becoming a self-flying car. But combining all these inputs together,
maybe via another DNN, seems like the best way forward
--- Yes, we are using a fusion of different types of
sensor input. I have to be careful to not divulge trade secrets, but I
would also add that sensory input (deep learning based or otherwise) is
only the very first step in a long and complex chain of tools,
algorithms etc. The media and academia are focusing almost exclusively
on that step, but it's really only a small piece of the puzzle we are
working on.You are also correct on the performance issues. The DNNs you would require for the very complex decisions are currently too large to be used on automotive ECUs. But we also still have big open questions regarding provability of safety when using neural networks that need to be answered before we can use them for core decision making algorithms.
|
Nincsenek megjegyzések:
Megjegyzés küldése