Редакция Библиотеки программиста подготовила подборку интересных и популярных проектов по машинному обучению, которые вдохновят вас.
Обзор проектов по машинному обучению начнем, как обычно, с тематических курсов, которые помогут подтянуть "хвосты" и вспомнить забытое.
- Изучение Python для работы с Data Science и машинным обучением.
- Глубокое обучение: Сверточные нейронные сети на Python.
Опенсорсная библиотека для автоматизированного машинного обучения (AutoML). Основная цель – предоставление инструментов глубокого обучения экспертам Data Science и машинного обучения. Auto-Keras предоставляет функции автоматического поиска архитектуры и гиперпараметров моделей deep learning.
Имя продукта расшифровывается, как генеративный поток с обратимыми 1x1 свертками. Для правильной работы потребуется наличие Tensorflow и Horovod.
Реализация Pytorch для работы с видео высокого разрешения (например, 2048x1024) и перевода его в фотореалистичный формат. ПО может быть использовано для превращения семантических меток в photo-realistic-videos, генерации человеческих движений, поз и т. д.
Этот репозиторий содержит оригинальную реализацию моделей PBSMT и NMT, представленных в исследовании университета Cornell.
Интересный танцевальный AI-генератор, созданный при помощи Variational Autoencoder, LSTM и Mixture Density Network.
Библиотека, позволяющая конвертировать ролики с футболом из YouTube в видео для просмотра на AR/VR устройствах и дает возможность наслаждаться игрой на обеденном столе.
Этот софт позволяет создавать тексты и моделировать атаки на модели машинного обучения. Предоставив свою модель этим текстам в автономном режиме, вы сможете лучше подготовиться к ним, когда столкнетесь с ними в реальном времени.
Данный фреймворк был разработан компанией Picovoice, как дополнение к движку Cheetah, который трансформирует голос в текст. ПО обладает минималистичной и расширяемой структурой. Область применения – бенчмаркинг различных движков преобразования речи в текст.
Граф сцены – это структурированное представление визуальной сцены, где узлы представляют объекты в кадре, а ребра – отношения между объектами. В качестве разъяснения приводится модель сквозной нейронной сети, принимающей на вход граф сцены, а на выходе генерирует изображение.
Это очень занимательный проект, позволяющий создать анатомическую анимацию лица из одного изображения. В работе используется новая GAN-схема, основанная на Action Units. Она описывает в цикле анатомические движения лица, определяющие эмоции человека.
Комментарии