TRAVIX: Konkurencni sluzby od MS a IBM tohle imho uz umi take. Videl jsem i nejake sluzby ktere vystavuji REST API pro CNN neuronku a tu si muzes naucit co potrebujes, tedy nejen tvare. Pokud ti ale staci tvare myslim ze u Amazonu nebo MS chybu neudelas.

Zdravím, potřeboval bych poradit:
Sháním nějakou službu, kterou bych mohl naučit rozpoznávat tváře. Představuju si to tak, že systém naučím několik desítek lidí na otagovaných fotkách, a potom už budu jenom vkládat nové fotky a ono mi to sdělí, kdo na nich je.
Amazon nabízí API, které tohle umí, a co jsem tak testoval, celkem to šlape. Ale přece jenom, než se pustím do psaní vlastního front-endu, zajímalo by mě, jestli už něco takového neexistuje.

A pyTorch implementation of the DeepMoji model: state-of-the-art deep learning model for analyzing sentiment, emotion, sarcasm etc

arrowright
https://deepmoji.mit.edu
https://github.com/huggingface/torchMoji

Tohle je btw zajimavy https://arxiv.org/pdf/1711.10370.pdf, postaveny na Mask R-CNN od FAIR

Neural networks and deep learning
http://neuralnetworksanddeeplearning.com/index.html

KALICOR: to rozhodne :-)

SOPTIK: taky pekne mastna pokud te AI nezivi :D

FYI - velka akce, asi nejvetsi ML akce v CR https://www.mlprague.com/

F89: Ale na druhou stranu, to že o tom může přednášet Franta Vomáčka, je vlastně důkaz, že se FP stáva mainstreamem -- což je dobře. Tak to berete jako takový nedělní klábosení -- jsem zrovna u piva :D.

F89: Prosím, to opravdu není žádný "hate" --- jen mne překvapuje že nesáhnete po nějakých fundovaných lidech, třeba Radek Miček pro OCaml/F#/Scala: https://github.com/radekm

F89: Aleš Rubíček je přeci web developer samouk -- nic proti, taky jsem "skoro" samouk v programování, ale může dnes každý kdo si sáhl na machine learning přednášet? Spíš mi to přijde že jste našli kohokoliv kdo dělá s Clojure, Jinak Tomáš Petříček je první třída, díky!

JINX: Zalezi, jak "daleko" od sebe jsou trenovaci a testovaci data, jak je velky feature space atd, jestli nejsou jednoduse separabilni a nestacil by obyc linearni klasifikator. 100% na testovacich datech je ale podezrele :-) taky zalezi, jak metriky pocitas, jak jsou tridy vyvazeny atd.

JINX: a jak to vypada s jinymi modely? jedna rychlovka, co bych zkusil, je natrenovat decision tree a podivat se, co dela na testovacim datasetu. pokud tam je taky 100%, tak jedna nebo vice feature holt to dokaze perfektne oddelit.

LUDWIG_: na testovacim datasetu, ten ma velikost pres 200 zaznamu.

JINX: ta uspesnost je na cem? na testovaci dataset, nebo na k-fold krizove validaci?

Mohl bych se prosim zeptat jaky mate nazor na neuronku ktera ma 100% uspesnost pri klasifikaci? IMHO je preucena protoze kdyz snizim trenovaci dataset z 10000 zaznamu radove mene (treba 2000) dostanu uspesnost cca 96 procent. Pouzivate nekdo nejake testovaci kriterium kdy zjistit zda neuronka je preucena a kdy ne?

V tomhle článku jsou asi dobré postřehy... je i docela čerstvý, ale s GPU se to mění každý měsíc...: http://timdettmers.com/2017/04/09/which-gpu-for-deep-learning/