Мощности контроллера Arduino Nano 33 BLE Sense со встроенным в BLE-модуль NINA B306 микроконтроллером Nordic nRF 52840 с ядром ARM Cortex-M4 (64 MHz, 1MB Flash, 256 KB of RAM) — хватает для запуска на нём TensorFlow Lite Micro.
Об этом подробно рассказано в блоге TensorFlow — How-to Get Started with Machine Learning on Arduino.

Теперь, для работы с нейронными сетями достаточно установить Arduino IDE и через Arduino Library Manager загрузить библиотеку Arduino_TensorFlowLite.
В составе библиотеки уже идут примеры:
micro_speech — распознавание речи с помощью встроенного микрофона,

( Читать дальше )

Исследователи из Google Brain представили новый метод интепретации работы искусственных нейронных сетей.
Метод получил название Тестирование с помощью векторов активации концепции (Testing with CAVs (TCAV)).

( Читать дальше )

Многие считают, что сейчас профессия Data Scientist является одной из самых, привлекательных, перспективных и высокооплачиваемых. Все крупные компании уже создали отделы по обработке собственных данных и прямо на глазах превращаются в дата-ориентированные (Data-driven) организации, которым требуется всё больше специалистов по данным.
Чтобы стать востребованным специалистом в этой области — потребуются хорошие знания программирования, математической статистики и машинного обучения. Нужные знания и навыки можно получить в некоторых университетах, попробовать прокачать самостоятельно или получить на различных курсах — например, на курсе специализации Data Scientist в онлайн-школе SkillFactory, где за 12 месяцев можно с нуля освоить эту интересную профессию.
Выбор такого специализированного курса позволяет учащемуся пройти полный цикл обучения: от изучения языка Python для анализа данных и классического машинного обучения — до самого увлекательного и востребованного направления в области машинного обучения — нейронных сетей и глубокого обучения (Deep Learning).
Путь Data Scientist — долгий и желающим учиться нужно приготовиться пройти его от начального «я ничего не знаю» до момента, когда можно будет уверенно сказать: «я решаю задачи по машинному обучению и знаю, где это применить и как развиваться дальше».

Но что же такое Data Science?

( Читать дальше )

Auto-Keras — это библиотека с открытым исходным кодом для Автоматизированного машинного обучения (Automated Machine Learning (AutoML)).

Auto-Keras предоставляет функции для автоматического поиска архитектуры и гиперпараметров моделей глубокого обучения.

( Читать дальше )

Чевероного робота-собаку ANYmal обучили ходить при помощи тренировки нейронной сети в симуляторе.
Подобный подход уже давно применяется в робототехнике, потому что использование симулятора имеет массу преимуществ в скорости, стоимости и безопасности.

( Читать дальше )

STM32Cube.AI — это пакет расширения для STM32CubeMX (программа для конфигурации и генерации кода), позволяющий встраивать и использовать нейронные сети на микроконтроллерах STM32.

( Читать дальше )

TTA — test-time augmentation — аугментация во время теста.
Это способ увеличить качество классификатора за счёт усреднения предсказаний для изображений и их аугментаций.

( Читать дальше )

Оказывается, ещё в январе, в стандартную библиотеку — CMSIS (Cortex Microcontroller Software Interface Standard) включили функционал для реализации нейронных сетей — CMSIS-NN.

Основанием для внесения подобного функционала в стандартную библиотеку, стало признание того, что с развитием интеллектуальных периферийных устройств, IoT и т.п. — нейронные сети становятся всё более популярными для выполнения задач аналитики данных сразу на месте, что позволяет уменьшить латентность системы, а также уменьшить энергопотребление, которое можно будет не затрачивать на передачу данных.

CMSIS-NN представляет собой набор функций для реализации нейронных сетей, разработанных для максимизации производительности и минимизации объема потребляемой памяти на процессорных ядрах ARM Cortex-M.

( Читать дальше )

Свежая статья Питера Уордена (Pete Warden) — «Почему вам необходимо улучшить свои тренировочные данные и как это сделать? (Why you need to improve your training data, and how to do it) снова поднимает серьёзный вопрос, касающийся практического применения алгоритмов машинного обучения для решения реальных задач.
Автор обращает внимание, что в научной среде, основной упор делается на разработку и исследование работы новых моделей, в то время как в индустрии — больше всего времени тратится на подготовку и обработку самих данных.

( Читать дальше )

Вручную разметив фотографии пчёл и используя нейросетевую архитектуру u-net на одноплатнике Raspberry Pi, автору удалось подсчитывать пчёл на входе в улей.

Частичное обучение

Так как с камеры можно получить большое количество изображений, то можно воспользоваться интересным трюком: частичным обучением, оно же — обучение с частичным привлечением учителя (Semi-supervised learning).

В основе этого трюка лежит очень простой подход:

( Читать дальше )