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 )

Исследователи из Сеульского национального университета (Республика Корея) в сотрудничестве с Исследовательским центром мягкой робототехники (Soft Robotics Research Center (SRRC)), предложили новую парадигму обнаружения намерений пользователей ранее разработанного мягкого носимого робота для рук (Exo-Glove Poly II).
Предложенный метод предсказывает намерение захватить/отпустить объект, основываясь на поведении пользователя. Это должно позволить пациентам с повреждением спинного мозга и потерявшим подвижность рук, брать и перемещать предметы.

( Читать дальше )

Исследователи из MIT разработали алгоритм для робота который учится играть в Дженга.

( 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 )

Машинное обучение меняет подход к ручному программированию действий роботов. Исследователи из Калифорнийского университета в Беркли показали систему обучения робота PR2 действиям путём однократной демонстрации решения нужной задачи человеком.

( Читать дальше )

Astrid Kraniger создала интересную инсталляцию: In Medio Stat Virtus — это кинетическая скульптура, балансирующая шариком на уголке, который удерживается двумя тросиками.
Длина тросиков изменяется шаговыми двигателями, а положение шарика определяется разницей в весе, который измеряется на тросах при помощи тензодатчиков, снятых с электрических безменов.
Таким образом, удержание баланса достигается, когда шаговые двигатели поднимают и опускают нужную сторону, чтобы выровнять вес на каждом тросе.

( 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 )

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 )

Чтобы научить нейронную сетку на TensorFlow распознавать нужные вам объекты, вам понадобится несколько сотен изображений этих объектов. Эти изображения можно найти и скачать из интернета, либо сделать собственные фотографии.

( Читать дальше )