Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
MIT 6.S192 - Лекция 16: «Визуальное восприятие искусства человеком как вычисление» Аарон Херцманн
MIT 6.S192 - Лекция 16: «Человеческое визуальное восприятие искусства как вычисление» Аарон Херцманн
В лекции исследуются неоднозначность восприятия и неопределенность в искусстве, а также использование генеративно-состязательных сетей (GAN) для создания неоднозначных изображений. В нем обсуждается влияние продолжительности просмотра на восприятие и взаимосвязь между энтропией изображения и человеческими предпочтениями. Лектор предлагает эволюционную теорию искусства, согласно которой искусство создается агентами, способными к социальным отношениям. Также обсуждается использование ИИ в искусстве с выводом о том, что, хотя алгоритмы могут быть полезными инструментами, они не могут заменить людей-художников. Лекция завершается несколькими замечаниями о таких понятиях, как ценность.
MIT 6.S192 — Лекция 17: «Использование ИИ на службе графического дизайна» Зои Былинской
MIT 6.S192 — Лекция 17: «Использование ИИ на службе графического дизайна» Зои Былинской
В этой лекции Зоя Былинская, научный сотрудник Adobe, исследует пересечение графического дизайна и искусственного интеллекта (ИИ). Былинский подчеркивает, что ИИ призван помогать, а не заменять дизайнеров, автоматизируя утомительные задачи и создавая варианты дизайна. Былинский приводит примеры инструментов с помощью ИИ, в том числе инструментов интерактивного дизайна и создания значков с помощью ИИ. Былинский также обсуждает проблемы и потенциал применения ИИ в графическом дизайне, в том числе необходимость творческого мышления, кураторства и работы с профессионалами из разных областей. Она консультирует кандидатов, интересующихся искусственным интеллектом и машинным обучением для графического дизайна, чтобы они могли продемонстрировать свой проектный опыт и воспользоваться исследовательскими возможностями.
MIT 6.S192 — Лекция 19: Простое создание 3D-контента с согласованными нейронными полями, Аджай Джейн
MIT 6.S192 — Лекция 19: Простое создание 3D-контента с согласованными нейронными полями, Аджай Джейн
В этой лекции Аджай Джейн представляет свою работу по нейронным представлениям сцен, уделяя особое внимание модели Neural Radiance Fields, которая использует входные виды с разреженной выборкой для построения представления трехмерной геометрии и цвета сцены. Джейн обсуждает проблемы, связанные с подгонкой поля нейронного излучения к одной сцене, а также способы повышения эффективности данных в процессе обучения за счет добавления фотометрических потерь и потери семантической согласованности. Он также рассказывает об использовании CLIP для удаления артефактов в NeRF и генерации 3D-объектов из подписей в проекте Dream Fields. Другие темы включают создание согласованных объектов переднего плана в сценах, получение наборов данных 3D-объектов с субтитрами, снижение затрат на рендеринг и оптимизацию производительности системы.
MIT 6.S192 — Лекция 20: Генеративное искусство с использованием диффузии, Прафулла Дхаривал
MIT 6.S192 — Лекция 20: Генеративное искусство с использованием диффузии, Прафулла Дхаривал
В этой лекции Прафулла Дхаривал из OpenAI обсуждает прогресс генеративного моделирования для сложных творческих задач, особенно с моделями распространения. Процесс включает в себя начало с изображения и медленное добавление к нему гауссова шума, а затем обращение процесса вспять путем получения некоторого зашумленного повреждения и удаления шума для создания менее шумных изображений. Генеративная модель получается путем обучения модели обращению шума, подобного этому, создания изображения из чистого шума во время тестирования путем пошагового запуска модели в обратном направлении. Обратное предсказание процесса также выглядит как распределение Гаусса, когда количество добавленного шума очень мало, что используется для предсказания среднего значения и дисперсии модели. Дхаривал также обсуждает, как использовать модели распространения для рисования и устранения потенциальных опасностей контента, созданного ИИ.
MIT 6.S192 - Лекция 21: Между искусством, разумом и машинами, Сара Шветтманн
MIT 6.S192 - Лекция 21: Между искусством, разумом и машинами, Сара Шветтманн
В этой лекции Сара Шветтманн обсуждает пересечение искусства, разума и машин. Она углубляется в визуальное восприятие и задачу восприятия богатого трехмерного мира через двухмерное полотно, что требует от мозга решения обратной задачи и создания наилучшего объяснения поступающей информации. Шветтманн также рассказывает о проектах, связанных с глубокими генеративными моделями, обученными на произведениях искусства, таких как использование инверсии GAN для встраивания изображений коллекции Met в пространство признаков базовой модели для понимания структуры человеческого творчества и создание словаря визуальных понятий для произвольного Скрытое пространство GAN путем выборки пространства заметных или возможных преобразований и использования этих выборок направлений в качестве экрана для проецирования суждений человеческого восприятия. В этом процессе важны человеческое взаимодействие и маркировка, и полученный словарь можно применять к другим моделям и использовать для различных манипуляций с изображениями. Несмотря на шум в данных из-за разного выбора слов, их метод дистилляции словарей с использованием библиотеки аннотаций любого размера можно масштабировать и может включать обучение автора субтитров автоматической маркировке направлений.
Сара Шветтманн также обсуждает различные способы исследования и определения значения направлений в рамках моделей, обученных человеческому творчеству. Она представляет эксперимент по захвату и изучению визуальных указаний без языка, который позволяет людям определять желаемое преобразование исключительно визуально, взаимодействуя с небольшой группой изображений, отобранных из скрытого пространства или пространства признаков. Этот метод полезен для маркировки и понимания изображений с нюансами, которые трудно объяснить. Более того, скрытое пространство может стать экраном, на который можно спроецировать человеческий опыт, что позволит исследователям лучше понять аспекты человеческого восприятия, которые иначе трудно формализовать.
MIT 6.S192 - Лекция 22: Вероятностные модели диффузии, Яша Золь-Дикштейн
MIT 6.S192 - Лекция 22: Вероятностные модели диффузии, Яша Золь-Дикштейн
В этой лекции Яша Золь-Дикштейн обсуждает диффузионные модели, которые используются для обучения задачам, отдельным от обучающих данных. Модели являются вероятностными и могут использоваться для кодирования или декодирования данных. Процесс прямой диффузии является фиксированным процессом, и обратный процесс также верен.
В этой лекции обсуждаются вероятностные модели диффузии и объясняется, что, несмотря на взаимно однозначное соответствие между скрытым пространством и пространством изображений, можно работать с несколькими классами в рамках одной модели. Затем в лекции объясняется, как использовать эти модели для создания новых изображений.
GenRep: генеративные модели как источник данных для обучения многоракурсному представлению в ICLR2022
Код: https://github.com/ali-design/GenRep
GenRep: генеративные модели как источник данных для обучения многоракурсному представлению в ICLR2022
Докладчики обсуждают концепцию модельных зоопарков, когда предварительно обученные генеративные модели становятся доступными без доступа к базовым данным. Используя контрастное обучение, исследователи могут создавать разные виды одного и того же объекта, которые будут попадать в одну и ту же окрестность в пространстве представления. Они обнаружили, что простые преобразования Гаусса в скрытом пространстве эффективны и что создание большего количества выборок из IGM приводит к лучшим представлениям. Экспертные IGM, такие как StyleGAN Car в определенных областях, могут превзойти представления, полученные на основе реальных данных. Веб-сайт проекта и код Github доступны для дальнейшего изучения.
MIT18.065. Матричные методы в анализе данных, обработке сигналов и машинном обучении
Введение в курс профессора Стрэнга
Профессор Стрэнг представляет свой новый курс 18.065, который охватывает четыре ключевые темы: линейную алгебру, глубокое обучение, оптимизацию и статистику. Курс будет посвящен лучшим матрицам, симметричным и ортогональным матрицам и их связи с линейной алгеброй. Он также будет охватывать глубокое обучение, которое лежит в основе линейной алгебры и включает сложные вычисления, которые могут потребовать использования графических процессоров в течение нескольких дней или даже недель. Курс затронет статистику, которая играет роль в поддержании чисел в функции обучения в хорошем диапазоне, а также оптимизацию и теорию вероятностей, которые важны для алгоритмов обучения, и дифференциальные уравнения, которые играют ключевую роль в научных и инженерных приложениях. . Курс включает в себя упражнения, задачи и обсуждения, чтобы обеспечить полное представление предмета.
Интервью с Гилбертом Стрэнгом о преподавании матричных методов в анализе данных, обработке сигналов и машинном обучении
Интервью с Гилбертом Стрэнгом о преподавании матричных методов в анализе данных, обработке сигналов и машинном обучении
Гилберт Стрэнг, известный математик, подчеркивает важность проектов по сравнению с экзаменами в преподавании глубокого обучения, важной части машинного обучения, которое в значительной степени зависит от линейной алгебры. Он считает, что проекты позволяют учащимся понять, как применять глубокое обучение в реальном мире, и являются более эффективным способом обучения. Стрэнг также подчеркивает, что преподавание заключается в обучении и работе со студентами, а не только в выставлении им оценок. Он советует новым профессорам использовать крупный мел и не торопиться, чтобы оставаться с классом, чтобы добиться успеха в обучении.
Лекция 1: Пространство столбца A содержит все векторы Ax
Лекция 1: Пространство столбца A содержит все векторы Ax
Эта лекция посвящена понятию пространства-столбца матрицы, которое представляет собой набор всех векторов, которые могут быть получены путем умножения матрицы на все возможные векторы. Лектор объясняет, что пространство столбца зависит от матрицы и может быть всем пространством R3 или меньшим его подмножеством. Далее профессор обсуждает концепции пространства строк, рангов столбцов и рангов строк, а также отношения между этими рангами. В лекции также кратко затрагивается первая великая теорема линейной алгебры, которая утверждает, что ранг столбца матрицы равен рангу строки матрицы. Кроме того, профессор обсуждает методы умножения матриц и количество умножений, необходимых для этого процесса. В целом, лекция предлагает введение в линейную алгебру и ее важность в обучении на основе данных.