DIY – Jeszcze o Keras i innych

Wiele podstawowych informacji nt. Keras mozna odnaleźć tutaj.  A zainteresowanych kursami dotyczącymi tej problematyki odsyłam nie tylko na Courserę ale także na fast.ai. Ważna strona dla zainteresowanych data science to ODSC (opendatascience).
Pomocne i darmowe narzędzie do projektowania graficznego sieci neuronowych to Deep Learning Studio produkcji Deep Cognition. W wersji desktopowej (lokalnej) jest darmowe, w wersji chmurowej pojawiają się opłaty za użycie mocy obliczeniowej. Jest dostępne dla Windows i Ubuntu. Innym takim narzędziem jest Neural Designer, dostępny dla Windows, Maca i Ubuntu. Wersja darmowa jest ograniczona liczbą linii kodu i dopuszczalną wydajnością procesora. Microsoft ma podobne narzędzie, jednak tylko w wersji webowej, pod nazwą Microsoft Azure Machine Learning Studio, które także ma wersję darmową, wymagającą konta Microsoft. Google udostępnia treningową i poglądową aplikację webową (playground tensorfow), pozwalająca projektować i obserwować w działaniu sieci neuronowe, działająca w oparciu o bibliotekę Tensorflow. Aplikacja Google ma charakter otwarty i jej kod jest dostępny na GitHub, co pozwala na własne modyfikacje włącznie z uruchomieniem lokalnym.

DIY – konwolucyjne sieci neuronowe w Keras

Poradnik, jak użyć frameworku Keras do tworzenia konwolucyjnych sieci neuronowych na szkolnym przykładzie rozpoznawania cyfr z bazy MNIST na stronie Towards Data Science, gdzie jest wiele materiałów poświęconych machine learning, data science itp. Keras jest nakładką na Tensorflow napisaną w Pythonie i znacznie ułatwia korzystanie z tego ostatniego. Stamtąd także pochodzi poradnik: How to build your own Neural Network from scratch in Python.
A jak ktoś szuka materiałów polskich to proszę zajrzeć na przykład do blogu About Data Krzysztofa Sopyły.

Probably approximately correct

Probably approximately correct (PAC) to tytuł książki i koncepcji naukowej, których autorem jest Leslie Valiant z Uniwersytetu Harvarda. Wywiad z naukowcem publikuje Qualia Magazine. Dotyczą one związków pomiędzy maszyną a ludzkim mózgiem, które są badane na polu AI, a w szczególności tzw. machine learning (maszyn uczących się). Idea Valianta jest prosta: matematyczne postawy uczenia się daje się ujednolicić i są takie same dla mózgu ludzkiego i maszyny liczącej. Rozszerza on pojęcie algorytmu, które stosuje się do tej drugiej na systemy biologiczne, tworząc pojęcie „ecorithm”. Z drugiej strony zmienia także status maszyny, zrównując ją z człowiekiem. Valiant za swą koncepcję, nad którą pracuje od lat 80 zdobył nagrodę A.M. Turinga w 2010 roku.