Публикации о машинном обучении, нейронных сетях и искусственном интеллекте, а также практические пособия
Британский разработчик чипов ARM рассказал о новой архитектуре процессоров для быстрых и энергоемких вычислений. Компания представила 2 типа чипов для нейросетей общего назначения и для специализированных систем обработки визуальной информации.
Ученые из MIT упростили архитектуру чипа, чтобы мощность не расходовалась впустую на передачу данных между процессорами на одном чипе. Испытания показали погрешность 2–3 % по сравнению с вычислениями на обычном компьютере.
Автоматизация правит миром. Разбираемся, как, используя цепи Маркова, на основе двух существующих аккаунтов, сделать самообучающегося Twitter-бота.
Ученые из лаборатории CSAIL разработали систему NanoMap, с которой дроны эффективно огибают препятствия на скорости около 30 километров в час.
Роботы учатся понимать окружающую среду через базовые моторные навыки. Исследуемый образец Ana успешно научилась выполнять действия, связанные с планированием, используя абстрактное мышление.
Google придумала новый способ обучить ИИ многозадачности с помощью видеоигр. В подразделении DeepMind создали систему IMPALA, повышающую скорость обучения сети
Исследовательница Джанелль Шейн провела очередной эксперимент с нейронной сетью, превратив ее в энтомолога. Обученный на обширной базе алгоритм придумывал забавные названия для насекомых, практически неотличимые от настоящих.
С помощью фМРТ ученые следили за мозговой активностью в то время, когда люди смотрели на изображение или представляли его мысленно. Обученная на этих данных нейросеть смогла частично декодировать мысленные образы обратно в изображения.
