Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Lezione 9 Deep Learning 2: modelli generativi, GAN, codificatori automatici variazionali (VAE) (MLVU2019)
9 Deep Learning 2: modelli generativi, GAN, codificatori automatici variazionali (VAE) (MLVU2019)
Il video copre vari argomenti relativi al deep learning, inclusi dati divisi per progetti di deep learning, transfer learning e un focus sui modelli generativi. Il relatore esplora il concetto di utilizzo di reti neurali per generare risultati casuali e distribuzioni di probabilità, spiegando diversi metodi di addestramento di generatori come reti generative avversarie e codificatori automatici. Approfondiscono inoltre l'importanza di GAN, GAN condizionali, steganografia e codificatori automatici in varie applicazioni di apprendimento automatico come la manipolazione dei dati e la riduzione della dimensionalità. L'oratore discute la manipolazione dei dati nello spazio latente per manipolazioni di dati di alto livello senza molti dati etichettati e la necessità di un approccio alternativo come gli auto-codificatori variazionali.
Questa seconda parte del video esplora gli autocodificatori variazionali (VAE), un tipo di modello generativo volto ad affrontare il problema del collasso della modalità spesso riscontrato con altri modelli. Due reti neurali vengono utilizzate per codificare l'input nello spazio latente e decodificarlo nuovamente nello spazio di input, consentendo l'ottimizzazione sia della codifica che della decodifica. L'oratore scompone la funzione di perdita in un termine di divergenza KL e in un termine di probabilità logaritmica atteso, che può essere utilizzato per ottimizzare la rete. Vengono spiegate le sfide per massimizzare un'aspettativa nei VAE e viene discusso il trucco della riparametrizzazione come un modo per superare questo problema. Il relatore confronta i VAE con altre tecniche come GAN e PCA, concludendo che mentre i VAE sono più potenti, sono anche più difficili da addestrare.
Lecture 10 Tree Models and Ensembles: Decision Trees, AdaBoost, Gradient Boosting (MLVU2019)
10 modelli e insiemi di alberi: alberi decisionali, AdaBoost, Gradient Boosting (MLVU2019)
Questa prima parte del video introduce gli alberi decisionali, un popolare modello di machine learning utilizzato per la classificazione e la regressione, che funziona segmentando lo spazio dell'istanza e scegliendo una classe per ogni segmento. Il video illustra anche come gli alberi decisionali possono essere addestrati utilizzando l'acquisizione di informazioni e come la potatura può aiutare a mitigare l'overfitting. Il relatore sottolinea l'importanza di suddividere i dati in set di addestramento, convalida e test per garantire l'equità tra i modelli. Inoltre, il video discute l'apprendimento dell'ensemble, in cui più alberi decisionali o altri modelli vengono addestrati e combinati per affrontare problemi come l'elevata varianza e l'instabilità. Il potenziamento viene anche introdotto come tecnica di insieme di modelli, che prevede l'addestramento sequenziale dei classificatori e la riponderazione dei dati per migliorare l'insieme. Infine, viene spiegato l'algoritmo Adaboost, che seleziona classificatori che minimizzano una funzione di perdita per migliorare l'insieme.
Questa seconda parte del video copre vari modelli e insiemi di alberi, tra cui AdaBoost e il potenziamento del gradiente. AdaBoost è un popolare metodo di potenziamento per i modelli di classificazione che pondera le istanze di dati in base alle prestazioni del classificatore. Il potenziamento del gradiente comporta l'inizializzazione di un modello con una funzione costante, il calcolo dei residui, l'adattamento di un nuovo modello ai residui etichettati e l'aggiunta all'insieme. Il relatore spiega le differenze tra il potenziamento del gradiente e AdaBoost e osserva che gli ensemble non sono molto utilizzati nella ricerca in quanto possono confondere i risultati. Inoltre, il bagging riduce la varianza e il boosting riduce il bias.
Lezione 11 Dati sequenziali: modelli di Markov, word embedding e LSTM
11 Dati sequenziali: modelli di Markov, incorporamenti di parole e LSTM
In questo video, il relatore discute i diversi tipi di dati sequenziali incontrati nell'apprendimento automatico, come i dati numerici o simbolici disposti nel tempo o in sequenza. Introducono modelli di Markov, incorporamenti di parole e LSTM come modelli per affrontare questi problemi. Il video delinea il processo di addestramento e previsione con dati sequenziali, incluso il concetto di convalida e addestramento sui dati che si sono verificati prima dell'oggetto specifico testato. Inoltre, il relatore spiega come modellare sequenze con reti neurali, incluso come gestire sequenze di diverse lunghezze e modellazione temporale, e il processo di addestramento di una rete neurale ricorrente utilizzando la propagazione all'indietro nel tempo. Infine, il video copre aspetti della classificazione da sequenza a etichetta, che possono essere migliorati con i modelli di Markov quando le reti neurali ricorrenti dimenticano rapidamente le cose.
Il video copre una serie di argomenti relativi all'elaborazione sequenziale dei dati, inclusi i modelli di Markov e i loro limiti, le reti LSTM (Long Short-Term Memory) e i loro vantaggi, l'utilizzo di LSTM per la generazione di testo e immagini, le tecniche di forzatura degli insegnanti e la didascalia delle immagini. Il relatore fornisce spiegazioni dettagliate della struttura LSTM e delle varie porte che contiene, nonché come addestrare e campionare da queste reti per attività come la generazione di testi shakespeariani e la didascalia delle immagini. Viene inoltre discussa l'importanza dell'utilizzo di livelli di incorporamento per migliorare gli LSTM a livello di parola, insieme allo spettro di metodi disponibili per l'elaborazione delle sequenze, dai modelli più semplici a quelli più potenti come gli LSTM.
12 Modelli a matrice: sistemi di raccomandazione, PCA e convoluzioni di grafi
12 Modelli a matrice: sistemi di raccomandazione, PCA e convoluzioni di grafi
Nella prima parte del video, il relatore discute i modelli a matrice e le loro applicazioni nei sistemi di raccomandazione, che possono essere utilizzati per consigli sui prodotti, notizie e social network. I sistemi di raccomandazione si basano su feedback espliciti e impliciti, nonché su informazioni secondarie e possono essere manipolati per diffondere informazioni false se non progettati correttamente. La fattorizzazione della matrice è un metodo comune per prevedere le valutazioni in base al comportamento dell'utente, con il problema di ottimizzazione di trovare matrici U e M per rendere UTM il più vicino possibile a R risolto attraverso metodi di errore al quadrato e calcolando la norma di Frobenius. Il relatore discute anche i metodi per ottimizzare questo problema utilizzando la discesa del gradiente e spiega la regola di aggiornamento del gradiente per il filtraggio collaborativo. Inoltre, il relatore copre cinque modi per migliorare il modello di fattorizzazione della matrice, incluso il controllo del pregiudizio dell'utente e del film, l'utilizzo di Mi piace impliciti e l'incorporazione di informazioni sul sito. Infine, il relatore discute il potere della fattorizzazione della matrice nel classico ambiente di apprendimento automatico, le estensioni del PCA nella fattorizzazione della matrice e l'utilità dei modelli grafici nella memorizzazione dei dati.
La seconda parte del video presenta vari modelli di matrice per i sistemi di raccomandazione, comprese le convoluzioni del grafico per la classificazione dei nodi e la previsione dei collegamenti. Le convoluzioni del grafico mescolano gli incorporamenti dei nodi moltiplicando la matrice di adiacenza con gli incorporamenti originali, ma questo approccio ha dei limiti nella rappresentazione di grandi grafici sociali. I metodi di convalida tradizionali non funzionano per i modelli di funzionalità miste utilizzati nei sistemi di raccomandazione, quindi è necessario l'apprendimento trasduttivo, in cui vengono trattenute solo le etichette dei set di formazione, ma non le funzionalità. Inoltre, la modellazione dei dati sul tempo e sulle valutazioni richiede di tenere conto dei dati di timestamp e dell'apprendimento trasduttivo. Il video si conclude con un riassunto della lezione e un'anteprima della seguente discussione sull'apprendimento per rinforzo.
13 Reinforcement Learning: Policy Gradients, Q Learning, AlphaGo, AlphaStar (MLVU2019)
13 Reinforcement Learning: Policy Gradients, Q Learning, AlphaGo, AlphaStar (MLVU2019)
The video provides an introduction to reinforcement learning and its fundamental components, discussing examples like the robotic pole balancing car and the tic-tac-toe game. The speaker delves into the challenges of reinforcement learning, including non-differentiable functions, the delay in receiving rewards, and the credit assignment problem. The credit assignment problem is addressed through techniques like random search, policy gradients, and Q-learning, where the speaker explains each algorithm, its benefits, and its limitations. The Q-learning algorithm is discussed in greater detail, with an explanation of how it works using a big table of numbers to represent Q-values. The presentation concludes with an explanation of how deep Q-learning and AlphaGo have revolutionized the field of reinforcement learning.
14 Revisione: bias induttivo, bias algoritmico, impatto sociale dell'apprendimento automatico (MLVU2019)
14 Revisione: bias induttivo, bias algoritmico, impatto sociale dell'apprendimento automatico (MLVU2019)
Questa prima parte del video fornisce una rassegna completa degli argomenti di machine learning, tra cui funzioni di perdita, sistemi di deep learning, pregiudizi induttivi e algoritmici e problemi aperti nel machine learning. Il relatore sottolinea l'importanza della metodologia e dei casi d'uso del mondo reale nel processo di data science e fornisce suggerimenti per studiare e superare la procrastinazione. Il relatore discute anche le strategie per migliorare la comprensione dei concetti di machine learning e offre risorse per un ulteriore apprendimento. Infine, il video evidenzia il problema della generalizzazione nei modelli di machine learning e l'importanza dei bias induttivi nel migliorare le prestazioni del modello.
La seconda parte del video discute diverse questioni relative all'apprendimento automatico, tra cui il bias induttivo, il bias algoritmico e l'impatto sociale del machine learning. La distorsione induttiva può essere incorporata in una rete neurale per risolvere problemi di causalità, composizionalità e generalizzazione. Tuttavia, questo approccio presenta anche dei limiti, tra cui una ridotta robustezza rispetto a variabili non modellate. Il pregiudizio algoritmico può essere perpetuato se i modelli di apprendimento automatico rafforzano i pregiudizi nei dati. Ciò può essere problematico in casi come gli algoritmi di riconoscimento facciale che non riescono a riconoscere le persone di colore o gli algoritmi utilizzati nel sistema giudiziario statunitense che hanno pregiudizi nei confronti dei neri. Lo sviluppo responsabile di questi sistemi è importante per evitare di perpetuare pregiudizi e promuovere l'equità nei processi decisionali.
Segmenta immagini e video in Python usando Segment Anything Model (SAM) | YOLOv5 | YOLOv8 e SAM
Segmenta immagini e video in Python usando Segment Anything Model (SAM) | YOLOv5 | YOLOv8 e SAM
Questo video introduce il Segment Anything Model (SAM), un modello di intelligenza artificiale in grado di identificare ed estrarre oggetti da immagini e video per varie attività. Il SAM viene addestrato su un enorme set di dati di 11 miliardi di immagini e 1,1 miliardi di maschere e offre ottime prestazioni in una varietà di attività di segmentazione. Il video fornisce istruzioni dettagliate per l'utilizzo del SAM su un sistema locale, incluso come installare i pacchetti necessari, scaricare checkpoint del modello pre-addestrato ed eseguire la segmentazione su immagini e video utilizzando Python. Il video mostra anche come utilizzare il SAM con YOLOv5 o YOLOv8 per creare riquadri di delimitazione attorno agli oggetti di interesse. Il SAM ha potenziali applicazioni anche nell'animazione.
Corso YOLOv8 - Applicazione web per il rilevamento di oggetti in tempo reale utilizzando YOLOv8 e Flask - Webcam/telecamera IP
Corso YOLOv8 - Applicazione web per il rilevamento di oggetti in tempo reale utilizzando YOLOv8 e Flask - Webcam/telecamera IP
Il corso YOLOv8 è una serie di tutorial che guidano gli utenti attraverso la creazione di un'applicazione web per il rilevamento di oggetti in tempo reale utilizzando YOLOv8 e Flask. I tutorial coprono l'installazione del software necessario come Python e PyCharm, la creazione di un ambiente virtuale, l'installazione di pacchetti e il test del rilevamento di oggetti su immagini e webcam. Le esercitazioni riguardano anche la conversione dell'output da tensori a numeri interi, l'etichettatura degli oggetti rilevati e il salvataggio del video di output con i rilevamenti. Agli spettatori viene mostrato come integrare YOLOv8 con Flask e come eseguire l'applicazione Web di rilevamento degli oggetti in tempo reale sia sui feed video che live della webcam.
Nella seconda parte del video il presentatore mostra come creare un'applicazione Web utilizzando Flask e YOLOv8 per il rilevamento di oggetti su feed e video live della webcam, oltre a presentare l'addestramento e l'inferenza di un modello personalizzato per il rilevamento di dispositivi di protezione individuale. L'app Web ha una home page, una pagina video e una pagina di feed webcam live, con uno stile CSS per ogni pagina, e il relatore esamina i file HTML e Flask utilizzati per il progetto. Il video mostra il processo di importazione di un set di dati, la sua preparazione per l'addestramento del modello YOLOv8, l'addestramento del modello, l'analisi dei risultati e il test del modello su video dimostrativi. Nel complesso, il video fornisce un'esercitazione completa per lo sviluppo e il test di un'applicazione Web per il rilevamento di oggetti in tempo reale.
Il relatore discute anche le modifiche apportate a un'applicazione Web che utilizza il modello YOLOv8 addestrato su un set di dati di dispositivi di protezione individuale (DPI). Le modifiche includono la modifica del codice per assegnare colori diversi ai riquadri di delimitazione e ai rettangoli delle etichette in base ai nomi delle classi e l'impostazione di un punteggio di affidabilità superiore a 0,5 per la visualizzazione dei riquadri di delimitazione e dei rettangoli. Il relatore dimostra il rilevamento riuscito degli articoli DPI in un video e in un feed live della webcam, segnando la fine del corso.
Tracciamento di oggetti in tempo reale utilizzando YOLOv8 e DeepSORT | Conteggio veicoli (Veicoli in entrata e in uscita)
Tracciamento di oggetti in tempo reale utilizzando YOLOv8 e DeepSORT | Conteggio veicoli (Veicoli in entrata e in uscita)
Il video mostra l'implementazione del tracciamento di oggetti in tempo reale utilizzando YOLOv8 e DeepSORT per contare il numero di veicoli che entrano ed escono da una strada autostradale. Il relatore fornisce una guida dettagliata, a partire dalla clonazione del repository GitHub, dall'installazione dei pacchetti richiesti, dall'impostazione della directory e dall'esame dello script di tracciamento. L'esercitazione copre l'uso di code a doppia estremità, pre-elaborazione, regressione non massima e funzione Deep SORT per generare ID univoci e determinare i nomi delle classi. Il presentatore spiega anche come aggiungere una funzione di conteggio dei veicoli utilizzando una linea sullo schermo e ogni volta che la scia di un veicolo si interseca con questa linea, il conteggio aumenta. L'interfaccia utente viene impostata utilizzando una funzione specifica. Infine, il presentatore mostra come l'output corrente dello script può rilevare le intersezioni con la linea e contare i veicoli che entrano ed escono dall'area.
Segmentazione e tracciamento di oggetti in tempo reale utilizzando YOLOv8 | Conteggio veicoli (in entrata e in uscita)
Segmentazione e tracciamento di oggetti in tempo reale utilizzando YOLOv8 | Conteggio veicoli (in entrata e in uscita)
Questo tutorial video si concentra sull'implementazione della segmentazione e del tracciamento degli oggetti in tempo reale utilizzando YOLOv8 e l'algoritmo di ordinamento profondo. In particolare, dimostra come contare e distinguere tra i diversi sottotipi di veicoli che entrano ed escono da una determinata area. Il tutorial copre vari aspetti, tra cui la stima della velocità, la misurazione della direzione e la segmentazione e il tracciamento accurati di ogni veicolo con ID e percorsi. Il presentatore fornisce anche i passaggi necessari per implementarlo su vari IDE e offre il codice finale per i propri sostenitori di Patreon.