Лекция Введение. Введение в машинное обучение и его основные концепции

Порождение текстовых описаний

Задача автоматического описания заданного изображения текстом отмечена взрывным ростом публикаций с 2014 года. Сейчас, если ваша страница на Facebook загружается медленно, вы видите автоматически сгенерированное описание фотографий.

• 
  Картинка стоит тысячи слов: построение естественного описания изображений
  
• 
  Быстрый прогресс в автоматическом описании изображений.
  
• 
  Youtube сообщает о том, что автоматически описано более одного миллиарда видео, на 10 языках.
  

Колоризация черно-белых изображений

Глубинное обучение используется для раскрашивания предметов с учетом окружающего контекста, аналогично тому, как работают художники-колористы.

• 
  Автоматическая колоризация
  
• 
  Автоматическая колоризация черно-белых изображений.
  

Преобразование рисунков в фотографии

• 
  Сверточная инверсия рисунков.
  
• 
  Neural Doodle.
  

Поиск изображений по контенту

Платформа компьютерного зрения Facebook Lumos используется для организации поиска изображений по контенту. Это означает, что пользователи могут находить изображения не только по тэгам и текстовым подписям, а по описанию объектов на изображениях.

Другие варианты применения машинного обучения

Написание музыки

Jukedeck — одна из многочисленных компаний, занимающихся написанием музыки с помощью искусственного интеллекта. Они обучают нейронные сети путем выполнения заданий, примерно так же, как обучается ребенок.

Контроль доступа персонала

Амазон спонсировал конкурс, призванный решить вопрос о возможности автоматизации присвоения и отмены прав доступа для персонала.

Тотальное видеонаблюдение

Операторы систем видеонаблюдения могут пропустить опасные предметы, но от машинного обучения не скрыться! Машинное обучение способно гибко настраиваться на сезонные изменения в багаже и его содержимом, а также на особые требования контролируемых помещений. Компания www.qylur.com нацелена на сокращения числа ложных срабатываний.

Борьба со спамом и вредоносным ПО

По сообщениям Лаборатории Касперского, в 2014 г. они детектировали свыше 325 тысяч новых вредоносных файлов каждый день. Только машинное обучение позволяет справиться с такими объемами, особенно с учетом того факта, что большинство новых заражений отличаются от старых на 2%.