Prijeđite na glavni sadržaj

Prilozi

Prikazivanje postova sa etiketom umjetne inteligencije

Primjeri umjetne inteligencije: informacije o prometu s podataka o lokaciji pametnih telefona

Skraćivanje putovanja na posao nije lako riješiti. Pojedinačno putovanje može uključivati ​​više načina prijevoza (npr. Željeznička stanica, vlak do optimalnog stajališta, a zatim šetnja ili korištenje usluge dijeljenja od ove stanice do krajnjeg odredišta), a da ne spominjemo očekivano i neočekivano: dizajn; nesreće; održavanje cesta ili staza; a vremenski uslovi mogu ograničiti protok prometa sa malo i bez upozorenja. Štoviše, dugoročni trendovi se možda neće podudarati sa povijesnim podacima ovisno o stanovništvu i demografskim promjenama, lokalnoj ekonomiji i politikama prostornog planiranja. Evo kako AI već pomaže u rješavanju složenosti prometa.
AI pokreće Google
Koristeći anonimne podatke o lokaciji sa pametnih telefona, Google Maps (Maps) mogu analizirati brzinu u bilo kojem trenutku. Karte mogu zahvaliti nabavka aplikacije za transport Waze S gužvama dodijeljenim u 2013. godini lakše je integrirati izvještaje o prometu poput građevina i nesreća koje prijavljuju korisnici. Pristup…

Narančasto 3 i vizuelno programiranje

Narandža je odličan alat za vađenje podataka, kako za početnike, tako i za naučnike koji imaju stručne podatke. S korisničkim sučeljem korisnici se mogu fokusirati na analizu podataka umjesto napornog kodiranja, što pojednostavljuje dizajn složenih cjevovoda za analizu podataka. Iskopavanje podataka zasnovano na komponentama U Orange-u se analiza podataka vrši postavljanjem komponenti u radne tokove. Svaka komponenta, koja se naziva widget, sadrži zadatak prikupljanja podataka, prethodne obrade, vizualizacije, modeliranja ili procjene. Kombinovanje različitih widgeta u tijeku rada omogućava vam stvaranje složenih shema analize podataka u pokretu. S velikom bibliotekom widgeta, nećete imati izbora. Dodatni widgeti dostupni su putem dodataka za pružanje usredotočenijeg i tematskijeg istraživanja. Interaktivni podaci ExplorationOrange widgeti komuniciraju jedan s drugim. Oni primaju ulazne podatke i šalju filtrirane ili obrađene podatke, modele ili bilo šta što widget radi na izlazu. Recimo da započnemo s widgetom File koji čita podatke i prilaže…

Narančasta 3 i predviđanja

Prikazuje predviđanja modela na podacima. Ulazni podaci: Ulazni skup podataka Predviđaji: prediktori koji će se koristiti u podacima Izlazi Predviđanja: podaci s predviđanjima dodani Rezultati evaluacije: klasifikacijski rezultati ispitivanja algoritmaWidget prima skup podataka i jedan ili više prediktora (prediktivni modeli, a ne algoritmi učenja - vidi primjer u nastavku). Stvara podatke i prognoze.
Ulazne informacije, naime broj slučajeva koji se trebaju predvidjeti, broj prediktora i zadatak (klasifikacija ili regresija). Ako ste tablicu podataka razvrstali po atributu i želite vidjeti izvorni prikaz, pritisnite Vrati izvorni poredak .Možete odabrati opcije za klasifikaciju. Ako klasa procjene je označen, prikaz pruža informacije o očekivanoj klasi. Ako je označeno Predviđene verovatnoće za , pogled pruža informacije o vjerojatnostima koje su predvidjeli klasifikatori. Takođe možete odabrati predviđenu klasu prikazanu u prikazu. Izbor Nacrtajte šipke za distribuciju pruža vizualizaciju istina…

Narandžasta 3 neuronska mreža

Algoritam višeslojnog perceptrona (MLP) sa prostiranjem unazad.
Ulazi Podaci: datoteka ulaznih podatakaProcesor: metode preradeIzlazi Student: algoritam višeslojnog učenjaModel: obučeni modelNeuronska mreža Widget koristi Skearn Algoritam za višeslojni perceptron koji mogu podučavati nelinearne modele kao i linearne.

Naziv pod kojim će se pojaviti u ostalim widgetima. Zadani naziv je "Neural Network". Postavite parametre modela: Neuroni na skrivenom sloju: Definirano kao i-ti element predstavlja broj neurona u i-tom skrivenom sloju. Npr. 3-slojna neuronska mreža može se definirati kao 2, 3, 2. Funkcije aktivacije skrivenog sloja: Identitet: aktivacija bez nadzora, korisna za primjenu linearnog uskog grla. -BFGS-B: kvazi-newtonski porodični optimizatorGD: stohastički gradijentni padAdam: stohastički optimizator zasnovan na…

Narandžasta 3 - Mašinsko učenje i vizualizacija podataka otvorenog koda za početnike i stručnjake

Open source strojno učenje i vizualizacija podataka za novajlije i stručnjake. Interaktivni postupci analize podataka s velikim setom alata.
Interaktivna vizualizacija podataka: Izvršite jednostavnu analizu podataka uz pametnu vizualizaciju podataka. Istražite statističke raspodjele, okvire i rasipajte karte ili zaronite dublje u stabla odluka, hijerarhijsko udruživanje, toplotne mape, MDS i linearne projekcije. Čak i vaši višedimenzionalni podaci mogu postati 2D osjetljivi, posebno ako se pametno procjenjuju i odabiru atribute.
Vizuelno programiranje: Interaktivno istraživanje podataka za brzu, kvalitativnu analizu s jasnim vizualizacijama. Grafičko korisničko sučelje omogućava vam da se fokusirate na istraživačku analizu podataka umjesto na kodiranje, dok pametne zadane postavke čine vrlo jednostavno stvaranje prototipa vašeg tijeka analize podataka izuzetno jednostavnim. Postavite widgete na ekran, povežite ih, učitajte skupove podataka i dobiti pregled!
Dodaci proširuju funkcionalnost: Uz razne dodatke dostupne u…

Primjer Pix2Pix ivice2 Pikachu

1. Pričekajte da se model učita 2. Pritisnite miša da biste nacrtali Pikachu na lijevoj strani platna.
3. Pikachu slika u boji automatski će se pojaviti na desnoj strani ekrana za otprilike 2 sekunde. Takođe možete kliknuti dugme "Transfer" da biste generirali novu sliku. 4. Kliknite "Obriši" da biste izbrisali i ponovo nacrtali platno. Gotovo!
Primjer primjera možete pronaći ovdje.

Klasifikacija slika web kamera i glasovnog izlaza pomoću MobileNet-a

Klasifikacija slike s web kamere i glasovnog i tekstualnog iznosa pomoću MobileNet v primjer ovdje. Softver će pokušati vidjeti ono što se vidi na snimku vaše web kamere. Isprobajte ovaj uzorak samo s web preglednikom i web kamerom. Možete primjer probajte ovdje.