#j2team_event
Một sự kiện đáng quan tâm cho các bạn đang nghiên cứu về #Machine_Learning vào ngày 13/01/2020. Diễn giả là GS. Leslie Valiant - thành viên của Hiệp hội Hoàng gia (London) và Viện Hàn lâm Khoa học Quốc gia (Mỹ) – sẽ tới Việt Nam.
✨ Đây được xem là sự kiện “mở hàng” hoành tráng cho khoa học Việt Nam nói chung và lĩnh vực nghiên cứu đỉnh cao trí tuệ nhân tạo (AI) nói riêng.
Vị giáo sư lừng danh, chủ nhân giải thưởng Turing (A. M. Turing Award – tương tự Nobel trong lĩnh vực Khoa học máy tính), sẽ có một bài giảng với nhan đề "What Needs to be Added to Machine Learning?"
Sáng 13/01/2020, dưới sự tài trợ và tổ chức của Quỹ Đổi mới sáng tạo Vingroup (#VINIF), Viện Nghiên cứu dữ liệu lớn (#VINBDI), giáo sư Leslie Valiant sẽ tham gia hội thảo về khoa học máy tính, học máy, trí tuệ nhân tạo.
Theo chương trình, sau bài giảng “What Needs to be Added to Machine Learning?” GS. Leslie Valiant sẽ tham gia một tọa đàm mở, dẫn dắt bởi GS. Vũ Hà Văn (Giám đốc khoa học Viện Nghiên cứu Dữ liệu lớn - VinBDI), với sự đồng tham gia của GS. Dương Nguyên Vũ (Giám đốc Viện Nghiên cứu quản lý không lưu của Đại học Công nghệ Nanyang, Singapore) và TS. Bùi Hải Hưng (Viện trưởng Viện Nghiên cứu VinAI).
✨Mời các bạn đăng ký tham gia tại:
http://vinbdi.org/talks/leslie_valiant/
Trân trọng
#j2team_share #machine_learning
Ông nào thấy mệt mỏi trong việc training con AI của mình với mấy con cpu gpu ghẻ thì nên đọc bài này. Đây là một bài hướng dẫn khác hữu ích về cách sử dụng Google Colab - một ứng dụng của Google cho phép chạy Machine Learning trên server của Google với con GPU $5000
https://www.facebook.com/notes/google-developer-group-hanoi-gdg-hanoi/training-deep-learning-model-tr%C3%AAn-nvidia-tesla-k80-v%E1%BB%9Bi-google-colab/1096063190542596/
#j2team_share #google_maps #machine_learning #vmc
Hỏi: Làm cách nào Google có thể dựng bản đồ của cả một đất nước? Họ lái xe đến từng con đường à?
Trả lời: Travis Addair, cựu kỹ sư phần mềm tại Google (2013-2015)
----------
Câu hỏi hay đấy, ít nhất là đối với tôi, bởi tôi từng làm việc trong dự án này thời gian tôi còn ở Google.
Nếu bạn thật sự muốn đào sâu vào chủ đề này, tôi thực sự khuyên bạn hãy xem bài nói chuyện của Andrew Lookingbill (sếp cũ của tôi ở Google) và Michael Weiss-Malik (anh bạn đang ở Uber cùng tôi) sau đây:
https://www.youtube.com/watch?v=FsbLEtS0uls
Tôi tóm tắt lại như sau:
Bạn có thể coi việc tạo những tấm bản đồ tại Google gồm ba phần chính:
1. Dữ liệu đáng tin cậy từ các nhà cung cấp bên thứ ba
2. Những công cụ và dữ liệu để sử dụng nội bộ
3. Vẽ toàn bộ tấm bản đồ hoàn toàn tự động
Người ta có thể nghĩ (1) là “cách lỗi thời” để vẽ bản đồ tại Google, nhưng cách này vẫn hữu ích ngay cả khi mà Google đã có thể tự vẽ được bản đồ cho mình. Tại những nơi có rất ít hình ảnh về đường phố nơi đó, hoặc những hình ảnh chụp từ vệ tinh có độ phân giải thấp, dữ liệu của bên thứ ba có thể giúp lấp đầy khoảng trống. Dữ liệu đó cũng có thể được dùng để so sánh với những kết quả mà bạn đã đạt được như một cách kiểm tra chéo.
(2) là cách mới, cách mà chúng tôi gọi là “Ground Truth” tại Google và là đề tài trong video tôi dẫn ra. (Ground Truth - Một khái niệm trong khoa học dữ liệu - dùng để chỉ sự so sánh dữ liệu đạt được từ thực nghiệm so với chính dữ liệu đó nhưng có được do suy luận. Ví dụ đơn giản: Netflix chi 1 triệu đô la trao giải cho team nào dự đoán được chính xác kết quả số điểm mà người xem sẽ đưa ra cho mỗi bộ phim (xem Người nhện 1 cho 7 điểm, Người nhện 2 cho 8 điểm, vậy Người nhện 3 cho bao nhiêu điểm, nói ngắn gọn là vậy) - ND). Ground Truth hoạt động bởi một chương trình Java lớn có tên là Atlas, trong đó người ta sẽ thông qua các lớp dữ liệu về ảnh vệ tinh, GPS và các bản đồ từng vẽ để cập nhật mô hình về thế giới vật lý của Google từ các bản đồ.
Hãy tưởng tượng bạn muốn biết vận tốc giới hạn trên một con đường. Trong Atlas, bạn có thể zoom vào đoạn đường đó và đặt ra câu hỏi, nhìn vào cách hình ảnh của đoạn đường đó từ Street View và tìm một tấm biển tương ứng với vận tốc giới hạn và cập nhật nhãn cho đoạn đường đó trong cơ sở dữ liệu. Thậm chí bạn còn có thể so sánh dữ liệu đó với dữ liệu từ GPS hay những ảnh chụp từ trước.
(3) là cách tương lai, nhưng đã chớm xuất hiện rồi. Đây là thứ tôi vẫn nghiên cứu trong lúc còn ở Google, cách này bao gồm tự động cập nhật dữ liệu đường phố, phát hiện những đặc điểm về mặt địa lý, các điểm truy cập, vv. Vào lúc đó, thành phần hoàn thiện nhất trong bộ tạo dựng bản đồ tự động là công việc được hoàn thành bởi một nhóm đã tạo dựng một framework phức tạp về thị giác máy tính nhằm tách các biển báo đường phố và chỉ các địa điểm, từ đó suy luận ra các dòng ký tự tương ứng.
Rất nhiều công việc lúc đó gần tương tự với những gì mà giờ đây Google cung cấp miễn phí với sự phát hành của API Phát Hiện Vật Thể Của TensorFlow. Học máy là một ngành được những người tạo dựng bản đồ rất quan tâm, đơn giản vì nó giúp sức cực lớn vào việc giúp tạo dựng những tấm bản đồ chính xác và cập nhật cho tới ngày hôm nay.
Không nghi ngờ gì nữa, Ground Truth là một trong những thành tựu lớn nhất của Google, vậy mà đến giờ vẫn hiếm người biết tới. Thực sự, đó là tư duy trước thời đại nếu xét đến những tấm bản đồ với những giá trị to lớn giúp cho những công ty logistic hay công ty về xe tự lái ngày nay.
https://www.quora.com/How-did-Google-map-the-whole-country-Did-they-drive-every-road/answer/Travis-Addair
Các cỗ máy học hỏi như thế nào?
#j2team_tutorial #j2team_programming #machine_learning
"Nvidia đã phát triển 2 thuật toán về tái tạo hình ảnh và cho nó thi đấu với nhau. Nvidia nghĩ rằng mình có thể phân biệt được đâu là ảnh thật và đâu là ảnh giả. Nhưng AI và machine learning nó đã học quá nhanh, đến mức mà người ta không phân biệt được đâu là ảnh thật đâu là ảnh giả"
<(") trong video ta sẽ được xem công nghệ tái tạo hình ảnh, làm giả video theo thời gian thực, làm giả giọng nói....
#J2team_discussion #AI #Machine_learning #Nvidia
Sử dụng Machine Learning để viết tool vượt captcha trong 15 phút.
#j2team_tutorial #j2team_programming #machine_learning