اخبار:

رویکرد یادگیری ماشینی “ Meta-Semi" از الگوریتم های پیشرفته در وظایف یادگیری عمیق بهتر عمل می کند

الگوریتم‌های یادگیری نیمه‌نظارتی مبتنی بر یادگیری عمیق نتایج امیدوارکننده‌ای را در سال‌های اخیر نشان داده‌اند. با این حال، آنها هنوز در سناریوهای یادگیری نیمه نظارتی واقعی، مانند پردازش تصویر پزشکی، طبقه‌بندی تصویر فراطیفی، تشخیص ترافیک شبکه، و تشخیص سند، کاربردی نیستند. در این نوع سناریوها، داده‌های برچسب‌گذاری‌شده برای جستجوی فراپارامتر کمیاب هستند، زیرا آنها پارامترهای چندگانه قابل تنظیم را معرفی می‌کنند. یک تیم تحقیقاتی یک الگوریتم یادگیری نیمه نظارتی مبتنی بر فرا یادگیری جدید به نام Meta-Semi پیشنهاد کرده است که فقط به تنظیم یک فراپارامتر اضافی نیاز دارد. رویکرد Meta-Semi آنها از پیشرفته ترین الگوریتم های یادگیری نیمه نظارت شده بهتر عمل می کند. یادگیری عمیق در وظایف تحت نظارت زمانی می تواند موفقیت آمیز باشد که داده های آموزشی مشروح زیادی در دسترس باشد. با این حال، در بسیاری از برنامه های کاربردی دنیای واقعی، تنها یک زیر مجموعه کوچک از تمام داده های آموزشی موجود با برچسب ها مرتبط است. با این حال، مجموعه زمان‌بر و پرهزینه برچسب‌های دقیق چالشی است که محققان باید بر آن غلبه کنند. "Meta-Semi، به عنوان یک رویکرد یادگیری نیمه نظارت شده پیشرفته، می تواند به طور موثر مدل های عمیق را با تعداد کمی از نمونه های برچسب دار آموزش دهد. با الگوریتم طبقه بندی Meta-Semi، آنها به طور موثر از داده های برچسب گذاری شده بهره برداری می کنند، در حالی که برای دستیابی به عملکرد چشمگیر تحت شرایط مختلف، تنها به یک فراپارامتر اضافی نیاز دارند. در یادگیری ماشین، هایپرپارامتر پارامتری است که مقدار آن می تواند برای هدایت فرآیند یادگیری استفاده شود. اکثر الگوریتم‌های یادگیری نیمه‌نظارت‌شده مبتنی بر یادگیری عمیق، پارامترهای بیش‌پارامتر قابل تنظیم متعددی را معرفی می‌کنند، و آنها را در سناریوهای یادگیری نیمه‌نظارت واقعی که در آن داده‌های برچسب‌گذاری‌شده برای جستجوی فراپارامتری گسترده کمیاب است، کاربردی‌تر می‌کنند. الگوریتم Meta-Semi این تیم در شرایط مختلف یادگیری نیمه نظارت شده به عملکرد رقابتی دست یافت. از نظر تجربی، Meta-Semi به طور قابل توجهی از پیشرفته ترین الگوریتم های یادگیری نیمه نظارت شده بهتر عمل می کند.

صنعت:

Spotify یک دی جی جدید هوش مصنوعی را معرفی می کند

برای یک روش کاملاً جدید برای گوش دادن در Spotify و ارتباط عمیق‌تر با هنرمندانی که دوست دارید آماده هستید؟ DJ یک راهنمای هوش مصنوعی شخصی است که شما و سلیقه موسیقی شما را به خوبی می شناسد که می تواند انتخاب کند چه چیزی را برای شما پخش کند. این ویژگی که ابتدا در نسخه بتا ارائه می‌شود، مجموعه‌ای از موسیقی را در کنار تفسیر آهنگ‌ها و هنرمندانی که دوست دارید با صدایی به‌طور شگفت‌انگیز واقع گرایانه ارائه می‌کند. فقط به لیست های پخش مورد علاقه طرفداران مانند Discover Weekly یا کمپین سالانه Wrapped فکر کنید. زیبایی این تجربیات توانایی در ارائه قطعه موسیقی مناسب برای آن لحظه در زمان است، و حتی ممکن است شما را با هنرمند مورد علاقه بعدی خود در این فرآیند مرتبط کند. این نوآوری با استفاده از قدرت هوش مصنوعی به روشی کاملاً جدید، بنا شده است. دی‌جی جدیدترین موسیقی‌ها را مرتب می‌کند و به برخی از آهنگ‌های مورد علاقه قدیمی شما نگاه می‌کند - شاید حتی آهنگی را که سال‌ها به آن گوش نکرده‌اید، دوباره ظاهر شود. سپس آنچه را که ممکن است از آن لذت ببرید بررسی می کند و جریانی از آهنگ هایی را که فقط برای شما انتخاب شده است ارائه می دهد. و علاوه بر این، مرتباً لیست را بر اساس بازخورد شما تازه می کند. هر چه بیشتر گوش کنید و به دی جی بگویید چه چیزی را دوست دارید (و دوست ندارید!)، توصیه های او بهتر می شود. به آن به عنوان بهترین شخصی سازی Spotify فکر کنید –به عنوان یک دی جی هوش مصنوعی در جیب شما.

مقاله:

X-Avatar: Expressive Human Avatars

X-Avatar، یک مدل آواتار جدید است که بیان کامل انسان‌های دیجیتال را به تصویر می‌کشد تا تجربیاتی شبیه به زندگی در حضور دوردست، AR/VR و فراتر از آن ایجاد کند. این روش بدن، دست‌ها، حالات چهره و ظاهر را به شکلی جامع مدل‌سازی می‌کند و می‌توان از اسکن‌های سه بعدی کامل یا داده‌های RGB-D یاد گرفت. برای یادگیری موثر شکل عصبی و زمینه‌های تغییر شکل، استراتژی‌های نمونه‌برداری و مقداردهی اولیه جدید پیشنهاد می‌شود. این منجر به نتایج وفاداری بالاتری می‌شود، به‌ویژه برای قسمت‌های کوچک‌تر بدن در حالی که با وجود افزایش تعداد استخوان‌های مفصلی، تمرین کارآمد را حفظ می‌کند. برای به تصویر کشیدن ظاهر آواتار با جزئیات با فرکانس بالا، زمینه‌های هندسه و تغییر شکل را با یک شبکه بافتی گسترش می‌یابد که مشروط به حالت، حالت چهره، هندسه و نرمال‌های سطح تغییر شکل‌یافته است. به طور تجربی نشان می شود که این روش در هر دو حوزه داده، هم از نظر کمی و هم از نظر کیفی در کار انیمیشن بهتر از خطوط پایه قوی عمل می‌کند. برای تسهیل تحقیقات آینده در مورد آواتارهای بیانگر، مجموعه داده جدیدی به نام X-Humans را ارائه می شود که شامل 233 دنباله اسکن بافتی با کیفیت بالا از 20 شرکت کننده است که در مجموع 35500 فریم داده است.

آموزش:

سیستم توصیه گر

سیستم توصیه گر (Recommender system) یک الگوریتم هوش مصنوعی است که معمولاً با یادگیری ماشین مرتبط است و از داده های بزرگ برای پیشنهاد یا توصیه محصولات اضافی به مصرف کنندگان استفاده می کند. اینها می توانند بر اساس معیارهای مختلفی از جمله خریدهای گذشته، تاریخچه جستجو، اطلاعات جمعیت شناختی و عوامل دیگر باشند.

Applied Sciences | Free Full-Text | Recommendation System Using Autoencoders

کدینگ:

کتابخانه NumPy

NumPy یک کتابخانه پایتون است که برای کار با آرایه ها استفاده می شود. همچنین دارای توابعی برای کار در حوزه جبر خطی، تبدیل فوریه و ماتریس ها است. NumPy در سال 2005 توسط Travis Oliphant ایجاد شد. این یک پروژه متن باز است و می توانید آزادانه از آن استفاده کنید. NumPy مخفف Numerical Python است.

راههای ارتباطی با ما:

اینستاگرام:

princeofai@

وبسایت:

تلگرام:

https://t.me/princeofaii

Share

Subscribe now

Leave a comment

PrinceofAI’s Substack

PrinceofAI Weekly