Mesterséges intelligencia, gépi tanulás, mély tanulás. mind egyre népszerűbb fogalmak. Valami a jövőből tűnik, de egyre inkább használják az élet minden területén. Nem csak az interneten, nem csak a számítógépes látásmódon. Diagnosztizálják a betegségeket, optimalizálják a problémákat, vezetnek autókat és még sok minden mást.
Miről fogunk beszélni
Nem fogunk híreket publikálni. Igyekszünk hasznos információkat szerezni az Ikkaróban szokásos módon. Eszközök gyűjtése, fogalmak elmagyarázása, Gépi tanulási példák készítése. Alkalmazások különböző területeken, például az IoT, és minden érdekes adatlap, amelyet talál.
Nem vagyok szakértő. Tanulás alatt állok, de úgy gondolom, hogy hozzájárulhatok az általam megszerzett és továbbfejlesztett ismeretekhez.
A projekt ötlete az hangutasításokat ad a PC-n vagy a Raspberry Pi-n keresztüli interakcióhoz a Voice-to-text Whisper modell segítségével.
Parancsot adunk, amelyet Whisperrel átírunk, szöveggé konvertálunk, majd kielemezzük a megfelelő parancs végrehajtását, amely lehet a program végrehajtásától a RaspberryPi érintkezők feszültségadásáig.
Egy régi Raspberry Pi 2-t, egy micro USB-t fogok használni, és az OpenAI által nemrégiben kiadott Voice-to-text modellt fogok használni, Suttogás. A cikk végén láthatod még egy kicsit suttogni.
Most végeztem a fejlesztői tanfolyamot Google Machine Learning gyorstanfolyam. Bevezető tanfolyam, ahol bemutatják az alapfogalmakat és példákat látnak a TensorFlow valódi megvalósításaira. Ezek a példák ösztönöztek erre.
Együttműködés, más néven google colab Ez a Google Research terméke, és a Python és más nyelvek írására és futtatására szolgál böngészőnkből.
Mi az?
Hagyok egy útmutatót kezdőknek, amely tökéletesen kiegészíti ezt a cikket
Colab a házigazda Jupyter, telepítve és konfigurálva, hogy ne kelljen semmit tennünk a számítógépünkön, hanem egyszerűen a böngészőből, a felhő erőforrásaiból kell dolgoznunk.
Látható, hogy pontosan ugyanúgy működik, mint a Jupyter cikkünk. Jegyzetfüzetek vagy jegyzetfüzetek, amelyek cellákon alapulnak, amelyek lehetnek szövegek, képek vagy kódok, ebben a Python -lépésben, mivel a Jupyter Colab -tól eltérően jelenleg csak a Python -kernel használható, beszélnek a későbbiekben, például R, Scala stb. , de nincs megadva dátum.
Bevezetés a Kaggle mély tanulásába 4 óra a DL és a TensorFlow elsajátításához. Ismerje meg a gépi tanulás fő gondolatait és készítse el első modelljeit.
Stanford IA osztályok víziója a Stanford-osztályok YouTube-listája a számítógépes látás és az AI megtanulásához (20 óra)
Bevezetés a mély tanulásba írta: MIT. Csak diákoknak vagy volt diákoknak szól, de láthatjuk az osztályok videóit.
Az AI elemei. A Helsinki Egyetem ingyenes bemutatása a Mesterséges Intelligencia NON szakembereinek.
A városom meteorológiai csillagvizsgálója által felajánlott történelmi adatokat megnézve ezt látom csak grafikusan és PDF formátumban kínálják őket. Nem értem, miért nem engedik letölteni őket csv-be, ami sokkal hasznosabb lenne mindenki számára.
Szóval kerestem egyet megoldás ezeknek a táblázatoknak a pdf-ről csv-re történő továbbítására, vagy ha valaki formázni akarja az Excel-t vagy a Libre Office-t. Szeretem a csv-t, mert egy csv-vel mindent megteszel, amit a python-nal és a könyvtárakkal tudsz kezelni, vagy egyszerűen importálhatsz bármilyen táblázatba.
Mivel az ötlet egy automatizált folyamat elérése, azt akarom, hogy egy szkript működjön együtt a Pythonnal, és itt jön be a Tabula.
Ebben a cikkben hagyok egy Az Anaconda telepítési útmutatója és a Conda csomagkezelő használata. Ezzel a kívánt könyvtárakkal létrehozhatunk fejlesztői környezetet a python és az R számára. Nagyon érdekes kezdeni a gépi tanulással, az adatelemzéssel és a Python programozásával.
Az Anaconda a Python és R programozási nyelvek szabad és nyílt forráskódú terjesztése, amelyet széles körben használnak tudományos számítástechnika (Data ScienceData Science, Machine Learning, Science, Engineering, prediktív analitika, Big Data stb.).
Nagyszámú alkalmazást telepít ezeken a tudományterületeken egyszerre, ahelyett, hogy egyesével kellene telepítenie őket. . Több mint 1400, és ezeket használják a legtöbb szakterületen. Néhány példa
Miután befejezte a Gépi tanulás tanfolyam, Kerestem, hol folytassam. Az Octave / Matlab prototípus-tanfolyamon használt fejlesztői környezetek nem az emberek által használtak, ezért valami magasabb színvonalú lépést kell megtennie. A számomra leginkább ajánlott jelöltek között az Keras, a TensorFlow háttérprogram használatával. Nem fogom megvizsgálni, hogy a Keras jobb-e, mint más eszközök vagy keretrendszerek, vagy a TensorFlow vagy a Theano választását választom. Csak elmagyarázom, hogyan telepíthető az Ubuntuba.
Először a hivatalos oldalak dokumentációjából próbáltam telepíteni, és lehetetlen, mindig volt valami hiba, valami megoldatlan kérdés. A végén elmentem keresni specifikus oktatóanyagok arról, hogyan kell telepíteni a kerákat az Ubuntuban És mégis két napot töltöttem sok időt töltve éjszaka. Végül elértem, és otthagyom, hogyan tettem, hátha ez utat nyithat előtted.
Mivel követni fogjuk a webhelyek által ajánlott lépéseket, amelyeket az oktatóanyag végén forrásból hagyok, a csomagok kezeléséhez telepítenem kell a PIP-t, amely nekem nem volt. gyümölcsmag a linuxban az, hogy egy csomagkezelő rendszer pythonban íródott.
Befejeztem a Gépi tanulási tanfolyam, amelyet a Stanford egyetem kínál a Coursera-n, és mivel már többen vannak, akik nyíltan és privát módon kérdeztek tőlem, szerettem volna egy kicsit bővebben részletezni, hogy nekem mi tűnik és hogy aki ezt elhatározza, tudja, mit fog találni.
Ez egy ingyenes tanfolyam a gépi tanulásról, Andrew Ng tanította. ha elkészült, ha szeretné, megszerezheti a 68 euróért elért készségeket igazoló bizonyítványt. 3 oszlopra oszlik, videók, vizsgák vagy quizz és programozási gyakorlatok. Angolul van. Több nyelven van felirata, de a spanyol nem túl jó, és néha elavult, sokkal jobb, ha angolul teszi.
Elég elméleti. De talán ezért tűnik jó módnak a kezdetnek, mert nem csak megtanulja, mit kell tennie, hanem miért is teszi.
