TGTGInsightаналитика telegramLIVE / telegram public index
← [404] — программирование

TGINSIGHT SIMILAR POSTS

Найти похожее

Источник @procode404 · Post #3559 · 5 мая

​​⌨️ИИ и Python: изучаем нейросети на реальных задачах Видео по нейросетям делятся на два типа: нудная теория и непонятная практика. Но этот плейлист — исключение, так как там дается и теоретический минимум, и сразу практика на реальных задачах. 1. Нейронные сети: краткая история триумфа [11:05] 2. Структура и принцип работы полносвязных нейронных сетей [14:28] 3. Персептрон – возможности классификации образов, задача XOR [19:45] 4. Back propagation – алгоритм обучения по методу обратного распространения [14:55] 5. Ускорение обучения, начальные веса, стандартизация, подготовка выборки [13:27] 6. Переобучение – что это и как этого избежать, критерии останова обучения [8:52] Перейти к плейлисту #python#нейросети

Результаты

Найдено 1 похожих постов

Поиск: #image23

当前筛选 #image23清除筛选
Earth&Climate Tech

@earth_climate_tech · Post #381 · 04.09.2023, 21:57

​​IMAGE'23 и генерация моделей по подсказке Всем привет! Пропал-пропал, был на конференции IMAGE'23. Это такая огромная, на тысяч 6-7 человек, геотехническая конференция в Хьюстоне для специалистов в области геонаук, полезных ископаемых и (уже) декарбонизации. Самые большие секции были посвящены машинному обучению в геонауках. На одной из них я показал наши эксперименты в области Генеративного ИИ (Generative AI), а именно первые наброски того как можно генерировать реалистичные геологические\сейсмические модели с помощью семантически понятного текста. Типа говоришь "йоу, модель, сделай мне низкочастотный сейсмический разрез с двумя сбросовыми разломами в восточной части и добавь немного шума". И на выходе получаешь реалистичный сейсмический разрез удовлетворяющий твоему описанию, или получаешь сразу несколько разных разрезов, ведь генерация стохастическая. Использовали мы немного модифицированную версию знаменитой нейронки Dalle-E2 от Open AI, которую обучили с нуля. Точнее три ее компонента: ✅CLIP - для семантической связи между текстом и изображением(моделью) и преобразования последнего в векторное представление; ✅ Diffusion Prior - для стохастической генерации текстовых векторных представлений в текстовые представления изображения(модели) и ✅ Decoder - для стохастической генерации самих изображений(моделей) из их векторного представления. Последняя нейроночка использует диффузионную модель. Получилось неплохо! На второй картинке пример моделей, которые сгенерировались по соответствующей подсказке. Конечно отправлять в продакшн еще рановато, но идея, кажется, работает не только на кошечках и собачках. #Image23#conference#ML#AI#subsurface