Машинное обучение

Благодаря расширенным возможностям Project Oxford разработчики получат доступ к инструментам распознавания лиц и речи, а также к другим функциям.

Назначение Distributed Machine Learning Toolkit — упростить задачу обучения сложных моделей с использованием распределенных систем.

Процессоры Nvidia Tesla M40 и M4 предназначены для работы на серверах и вместе с соответствующим программным обеспечением способны значительно повысить эффективность обработки видео и изображений.

При организации подготовки в университетах специалистов по технологиям Больших Данных наряду c проблемами методологического характера возникают и сложности с доступом к наборам данных и соответствующим инструментам. Наиболее эффективным в этой ситуации оказывается развертывание виртуальной среды Hadoop/Spark.

Специалисты Accenture Digital будут внедрять на предприятиях клиентов методы машинного обучения, обработки естественного языка, дополненной реальности и прогнозной аналитики.

Виртуальный ассистент, созданный компанией IPsoft, еще на шаг приблизился к тому, чтобы пройти тест Тьюринга.

Большую часть роста обеспечил мобильный поиск. Однако генеральный директор Google Сундар Пичаи на пресс-конференции по итогам квартала посвятил значительную часть доклада инвестициям в технологии машинного обучения.

Пакеты Teradata Listener и Teradata Aster Analytics для Hadoop предназначены для анализа в реальном времени журналов серверов, лент социальных сетей, потоков данных с датчиков и телеметрического оборудования и прочих источников.

Подобные IBM Watson когнитивные системы, пояснила Рометти, способны не только анализировать и структурированные, и неструктурированные данные, но и рассуждать, как люди — формулировать гипотезы, проверять их на данных и определять достоверность.

Система действует по принципу глубокого обучения — многоэтапного преобразования исходных данных и оценки результатов по заданным критериям. При таком методе обучения не нужны начальные знания об обрабатываемых данных.

Автор системы обучил ее своим предпочтениям автора на большом количестве снимков, после чего уровень совпадений достиг 68%. По словам ученого, помогавший ему друг, запомнив его вкусы, продемонстрировал точность 76%.

В условиях нынешней экономической турбулентности наиболее успешным и, скорее всего, единственно возможным направлением развития крупных предприятий будет применение решений, кардинально улучшающих бизнес-возможности с одновременным снижением совокупной стоимости владения информационной системой. Один из вариантов — СУБД класса in-memory.

Разработан алгоритм, автоматически выбирающий подписи к карикатурам; систему обучили, опираясь на результаты конкурса подписей, устроенного редакторами New Yorker среди читателей издания.

Различные технологии обработки данных Microsoft, включая машинное обучение и потоковая обработка, будут унифицированы в рамках единого пакета программных решений.

«Самокритике» систему учат с помощью краудсорсинга — исследователи интересуются у людей, насколько им нравятся генерируемые идеи. Обрабатывая отклики, система начинает все лучше понимать человеческие предпочтения.

Принцип действия созданной немецкими исследователями системы, получившей название Brain-to-Text, состоит в распознавании отдельных фонем и выстраивании их в наиболее вероятные слова и фразы с использованием алгоритмов машинного обучения.

Организованная уже в третий раз конференция по технологиям, аналитике и работе с данными в интернет-маркетинге – Yet another Conference on Marketing – была посвящена на этот раз рекомендательным системам.

Android-приложению не нужно знать предыдущие оценки студента или его коэффициент умственного развития — вся информация собирается в фоновом режиме через встроенные датчики смартфона и анализируется с помощью методов машинного обучения.

Разрабатываемая система семантического анализа данных базируется на последних достижениях в области машинного обучения и технологий Больших Данных.

Все больший охват земного шара сетями, недорогими датчиками и распределенными интеллектуальными системами приводит к тому, что в мире генерируется больше данных, чем человечество способно обработать. Смогут ли предприятия адаптироваться к новым условиям и продолжить развитие на высококонкурентном ландшафте? Как извлечь пользу из новых источников информации и умных систем, вплетенных в окружающую среду?