Ta strona korzysta z plików cookie, abyśmy mogli zapewnić jak najlepszą obsługę. Informacje o plikach cookie są przechowywane w przeglądarce i wykonują takie funkcje, jak rozpoznawanie cię po powrocie do naszej witryny i pomaganie naszemu zespołowi w zrozumieniu, które sekcje witryny są dla Ciebie najbardziej interesujące i przydatne.
Zainteresowanie sieciami neuronowymi nigdy w historii nie było tak wysokie jak w ostatnich latach. To pokazuje jak ważnym elementem stają się sieci neuronowe w nowoczesnym budowaniu aplikacji. Rozwiązania sztucznej inteligencji spotykamy praktycznie na każdym kroku, a część z nas już tak do tego przywykła, że nie jest w stanie się bez nich obejść.
W 2018 roku trzej pionierzy sztucznej inteligencji zdobyli nagrodę Turinga (Geoffrey Hinton, Yann LeCun, Yoshua Bengio). To wydarzenie podkreśla jak ważny element w dzisiejszym świecie pełni sztuczna inteligencja.
Według Gartnera w 2019 roku najczęściej spotykane zastosowania sztucznej inteligencji to odpowiednio:
-
czatboty
-
optymalizacje procesów
-
analiza transakcji i wyłudzeń finansowych
-
segmentacja konsumentów
-
diagnostyka sprzętowa
-
wirtualne call center i asystent klienta
-
rozpoznawanie twarzy
Boom na rozwiązania AI
Zastosowania sztucznej inteligencji (Artificial Intelligence) rosną w tempie wykładniczym. Od prostych modeli klasyfikujących pocztę mailową, wybierającą najbardziej optymalną trasę dojazdu, rozpoznającą nas w czasie rzeczywistym (wideoweryfikacja) po auta a nawet samoloty autonomiczne. A przed nami przecież tyle nieodkrytych obszarów w których można zastosować AI.
Do czego służy biblioteka Keras?
Keras to biblioteka open source do tworzenia sieci neuronowych, która jako backend wykorzystuje Tensorflow, CNTK, czy Theano. Jest doskonałym narzędziem do prototypowania i eksperymentowania oszczędzając nam wiele czasu przy pisaniu kodu. Stanowi także niską barierę wejścia dla osób, które dopiero zaczynają swoją karierę w uczeniu głębokim.
Wzrost popularności języka Python
Język Python świetnie nadaje się do przetwarzania, przygotowania, analizy i modelowania danych. Jest prosty do nauki i nie powinien sprawiać problemów osobie, która dopiero zaczyna uczyć się programowania. Na przestrzeni ostatnich lat i rosnącej popularności sztucznej inteligencji Python wyrósł na gwiazdę w tym sektorze. Powstało sporo potężnych bibliotek do machine learningu, czy deep learningu. Przykładem może być stworzona przez Google biblioteka Tensorflow.
Biorąc pod uwagę drastyczne tempo zmian w ostatnich latach i wzrost zainteresowania sztuczną inteligencją nauka sieci neuronowych staje się bardzo rozsądnym wyborem, który z pewnością zaprocentuje w przyszłości.
Przykłady zastosowań sieci neuronowych
Uczenie Maszynowe - Krajobraz
Pierwsza sieć neuronowa - Digit Recognition
Sieci Neuronowe - Wprowadzenie
Matematyczne podstawy sieci neuronowych
-
17Neuron
-
18Perceptron
-
19Perceptron - Przykład
-
20Perceptron Wielowarstwowy
-
21Elementy składowe sieci
-
22Tensor
-
23Tensor - przykłady
-
24Funkcje aktywacji
-
25Funkcje aktywacji - Implementacja
-
26Funkcje straty
-
27Funkcje straty - przykłady
-
28Metryki
-
29Metryki w problemach klasyfikacji binarnej
-
30Krzywa ROC
-
31Metryki w problemach klasyfikacji wieloklasowej
-
32Metryki w problemach regresji
-
33Spadek wzdłuż gradientu (Gradient Descent)
-
34Spadek wzdłuż gradientu (Gradient Descent) cz. 2
-
35Spadek wzdłuż gradientu (Gradient Descent) - Implementacja
Biblioteka Keras
ANN - Klasyfikacja
-
38Biblioteka Keras - Wprowadzenie
-
39Praca z modelami w bibliotece Keras
-
40Praca z modelami w bibliotece Keras cz. 2
-
41Praca z warstwami w bibliotece Keras
-
42Główne problemy uczenia głębokiego - przeuczenie i niedouczenie
-
43Główne problemy uczenia głębokiego - przeuczenie i niedouczenie cz. 2
-
44Metody regularyzacji modeli
-
45Wywołania zwrotne - Model Checkpoint
-
46Wywołania zwrotne - Model Checkpoint - Zapisanie najlepszego modelu
-
47Wywołania zwrotne - Early Stopping - Wczesne Zatrzymanie
-
48Tensorboard
-
49Tensorboard Dev
-
50Zapis/Ładowanie modelu
ANN - Regresja
CNN - Konwolucyjne Sieci Neuronowe
RNN - Rekurencyjne Sieci Neuronowe
-
54Konwolucyjne Sieci Neuronowe - Wprowadzenie
-
55Przetwarzanie obrazu - Augmentacja danych
-
56Klasyfikacja obrazów - omówienie problemu
-
57Przygotowanie obrazów do modelu
-
58Przygotowanie obrazów do modelu cz. 2
-
59Budowa sieci CNN
-
60Transfer Learning - model VGG16
-
61Wyświetlenie błędów predykcji
-
62Dron, samolot pasażerski czy helikopter? - Klasyfikacja wieloklasowa
-
63Wyświetlenie błędów predykcji
Projekt własny
-
64Praca z tekstem - wektoryzacja
-
65Praca z tekstem - tokenizacja
-
66Osadzanie słów w przestrzeni - Word Embeddings
-
67Osadzanie słów w przestrzeni - Embedding Projector
-
68Klasyfikacja - Recenzje filmowe
-
69Przetworzenie recenzji i warstwa Embedding
-
70Sieci RNN - neuron rekurencyjny
-
71RNN: Klasyfikacja recenzji filmowych