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.

CAPTCHA złamana – nowe możliwości sieci neuronowych

Wyborcza podała, ze w Science 26.10. br. ukazał się artykuł dotyczący nowych możliwości sieci neuronowych. Praktycznie służy ona do rozpoznawania przypadkowych, graficznych znaków, które człowiek jest w stanie rozpoznać jako litery lub cyfry (opiera się na tym zabezpieczenie przed maszynową aktywnością, badające czy proces uruchamia człowiek zastosowany np. w systemie CAPTCHA). Jednak zakład jest o wiele poważniejszy; chodzi o osiągnięcie przez maszynę zdolności dotychczas zastrzeżonych dla człowieka: „zdolności do uczenia się i uogólniania na podstawie niewielkiej ilości przykładów”. Rozwiązanie proponowane przez autorów – Recursive Cortical Network, opiera się na mechanizmie zaobserwowanym u ssaków i implementuje stosowne odkrycie z dziedziny neuroscience w odpowiednio skonstruowanej sieci neuronowej.