SFI 2017: Deep Learning zmieniający branże przemysłu
•
0 likes•108 views
Każdy słyszał o sieciach neuronowych. W ostatnich latach przeżywają one swój renesans osiągając imponujące sukcesy jak pokonanie mistrza świata w Go. Rozpoznawanie mowy, rekomendacje filmów na Netflixie - to wszystko zawdzięczamy uczeniu maszynowemu, a w szczególności jego części zwanej Deep Learningiem. Czy zmiany dotkną również "stare" branże jak przemysł naftowy?
Recommended
Recommended
More Related Content
Similar to SFI 2017: Deep Learning zmieniający branże przemysłu
Similar to SFI 2017: Deep Learning zmieniający branże przemysłu (20)
SFI 2017: Deep Learning zmieniający branże przemysłu
- 1. Deep Learning zmieniający branże przemysłu Mateusz Opala & Andrzej Brożek
- 2. Agenda Sustaining vs. Disruptive Technology Deep Learning, co to i dlaczego ważne? Deep Learning w modzie Deep Learning w innych branżach
- 4. Machine Learning Przykład: SVM Deep Learning Przykład: MLP Representation Learning Przykład: RBM AI Przykład: Systemy ekspertowe
- 6. ◦ Dużo danych ◦ Bardzo elastyczne modele ◦ Priory pozwalające na zwalczenie “curse of dimensionality” Kluczowe składniki systemu ML
- 8. Curse of dimensionality - przykład Breakout i Q-table ◦ Q(s, a) to najlepszy możliwy wynik na końcu gry po wykonaniu akcji a w stanie s ◦ W procesie uczenia uzupełniamy Q-table ◦ Rozważmy grę w Breakout składającą się z 4 ekranów ◦ Ekrany są w skali szarości i mają wymiary 84 x 84
- 10. States Network Q-value 1 Q-value 2 Q-value 3
- 11. Deep Q-Network Input Layer 84 x 84 x 4 Conv Layer 8 x 8 x 32 ReLU Conv Layer 4 x 4 x 64 ReLU Conv Layer 3 x 3 x 64 ReLU Dense Layer 512 ReLU Dense Layer 18 Softmax
- 13. Dlaczego zainteresować się Deep Learningiem?
- 16. “ Last year, the cost of a top, world-class deep learning expert was about the same as a top NFL quarterback prospect. Peter Lee, Head of Microsoft Research, 2014
- 17. Deep Learning w modzie
- 18. Jak łączyć dostawców treści ze sklepami?
- 19. ~ 6%
- 20. Hipoteza: reklamowanie podobnych produktów do obecnych na zdjęciu zwiększy conversion rate
- 21. ~ 14%
- 22. Search Engine Content Based Image Retrieval
- 23. Zadania do rozwiązania ◦ Detekcja ubrania ◦ Wyszukanie podobnego ubrania ▫ Stworzenie deskryptora ▫ Przeszukiwanie bazy danych
- 24. Detekcja obiektu
- 25. DRESS HEELS BAG
- 26. ● Klasyfikacja i regresja ● Klasyfikacja ConvNet Final conv feature maps Classification head Regression head Region proposals Crop & warp ConvNet Final conv feature maps Classifier
- 29. Jak nauczyć się dobrego deskryptora do wyszukiwania?
- 30. Deep Rank - Siamese Network
- 31. Deep Rank - Siamese Network
- 32. Deep Rank - oczekiwania
- 33. Deep Rank - problemy
- 34. Deep Rank - podsumowanie ◦ Wymaga dużej ilości danych ◦ W rzeczywistym przypadku użycia nie jest wystarczająco dobry ◦ https://github.com/paucarre/tiefvi sion ◦ Bardzo prosty do zaimplementowania
- 37. Ale wykrycie koloru wymaga segmentacji
- 38. DRESS HEELS BAG
- 39. Deconvolutional Neural Networks Normal VGG “Upside down” VGG
- 41. Wyszukiwanie ◦ Dla każdego atrybutu otrzymujemy rozkład prawdopodobieństwa ◦ Deskryptor koloru liczymy tylko na pixelach zawartych w masce z segmentacji ◦ Możemy przy pomocy konkatenacji uzyskać jeden wektor ◦ Takie wektory możemy porównywać za pomocą cosine similarity
- 43. Inne przykłady
- 44. Content Based Recommender Systems - cold start problem Film Użytkownik 1 Użytkownik 2 Pearl Harbor 5 4 Titanic 4 5 Dunkierka ? ? Dude, gdzie moja bryka? 2 1 Matrix Factorization Manifold reprezentacji filmów Encoder Przykład: MLP Pearl Harbor Dunkierka
- 48. Disruption
- 56. Sustaining v. disruptive technology Podtrzymujące v. przełomowe technologie
- 57. Sustaining - wykorzystanie technologii do spełnienia oczekiwań rynku ma z reguły sens (i nie da się inaczej*) *The External Control of Organizations: A Resource Dependence Perspective (Stanford Business Classics) - Jeffrey Pfeffer
- 58. Survival bias
- 60. Większość obecnych zastosowań deep learningu nie jest disruptive w oryginalnym znaczeniu tego terminu
- 61. ale to nie znaczy, że nie czekają nas przełomy
- 62. Potrzeby rynku v. możliwości technologii Sustaining v. disruptive
- 63. (Prawdopodobnie) niewykorzystany potencjał komercyjny ◦ Deep reinforcement learning ◦ Neural Turing Machines ◦ Generative Adversarial Networks ◦ i wiele innych
- 65. Deep learning jest *równocześnie sustaining i disruptive *W zależności od kontekstu
- 66. Czy bycie disruptive jest w ogóle dobrym celem? - *niekoniecznie ZZe *Zero to One - Peter Thiel
- 67. Co począć?
- 68. Małe ryzyko Mała nagroda Duże ryzyko Duża nagroda Średnie ryzyko Średnia nagroda
- 69. *Low risk Small reward High risk *High reward Medium risk Medium reward **Boring *Nassim Nicholas Taleb **Andrew Brozek
- 70. Q&A