Ежедневный информационный бюллетень - 2 января 2021 г.

Информационный бюллетень с рекомендациями по ИИ / машинному обучению, роботизированная сборка с использованием инструмента глубокого обучения с подкреплением и языкового моделирования с использованием более коротких вводов в сегодняшнем выпуске Data Science Daily 📰

Информационный бюллетень рекомендаций AI / ML Paper 📃

Вот еженедельный информационный бюллетень с рекомендациями по ИИ / машинному обучению, персонализированный с учетом ваших интересов.

  • 🦄 Публикации из ведущих институтов и журналов.
  • 🤖 Персонализированный в соответствии с вашими интересами.
  • 📨 Доставлено прямо на ваш почтовый ящик.

Подпишитесь здесь 👉 www.serendipity.so

Роботизированная сборка с использованием глубокого обучения с подкреплением - Учебное пособие 🤖

Цель этого руководства - показать, как можно применить DRL для решения вашей собственной роботизированной задачи. Одно из самых захватывающих достижений, которое расширило границы искусственного интеллекта (ИИ) в последние годы, - это глубокое обучение с подкреплением (DRL).

DRL принадлежит к семейству алгоритмов машинного обучения. Предполагается, что интеллектуальные машины могут учиться на своих действиях аналогично тому, как люди учатся на собственном опыте. В последние годы мы стали свидетелями впечатляющих реальных приложений ДХО. Алгоритмы позволили добиться значительного прогресса, особенно в области робототехники. Если вы хотите узнать больше о DRL, мы рекомендуем вам ознакомиться с исключительным Введение в RL от OpenAI.

GitHub: https://github.com/arrival-ltd/catalyst-rl-tutorial
Смотрите руководство здесь ▶ https: // youtu .be / 1BG5pC8WbTE
Блог: https://medium.com/pytorch/robotic-assembly-using-deep-reinforcement-learning-dfd9916c5ad7

Shortformer: лучшее языковое моделирование с использованием более коротких вводов 💬

Shortformer обучается на 65% быстрее, в 9 раз быстрее при генерации токена за токеном (как это делается при выборке из GPT-3) и достигает большей сложности, чем базовая модель. Это достигается сочетанием двух методов:

  1. В первом методе (Поэтапное обучение) LM на короткой последовательности сначала обучается перед переходом к более длинным. Это не только экономит много времени (во время обучения), но также на удивление улучшает недоумение.
  2. Во втором методе, Позиционное внимание, абсолютные позиции к клавишам / запросам добавляются вместо векторов слов. Это позволяет очень эффективно обучать повторяющийся (похожий на TransformerXL) LM. Прежде, чем это снова покажет, что более короткие вводные здесь работают лучше, чем более длинные.

Вот код 👉 https://github.com/ofirpress/shortformer

Свяжитесь с нами 📞

Напишите нам по адресу [email protected], чтобы получить здесь информацию. Изучите науку о данных и машинное обучение с бесплатными практическими курсами по науке о данных на Jovian.

Следуйте за нами в Twitter, LinkedIn и YouTube, чтобы оставаться в курсе.