| Printable Version of Topic
Click here to view this topic in its original format |
| თბილისის ფორუმი > ტექნიკური და საბუნებისმეტყველო მეცნიერებები > ერთად ვისწავლოთ დიფ ლერნინგი |
| Posted by: vid 13 Aug 2017, 18:45 |
| კორსერაზე დიფ ლერნინგის მამებმა დადეს ამ ტექნიკის კურსი, რომლის გავლასაც ყველას ძალიან გირჩევთ. მე თვითონ ფულ თაიმ ვმუშაობ, თან სამსახურებრივად ეს არ მჭირდება, მაგრამ მაინც ვაპირებ გავლას. უფრო სწორად დავიწყე უკვე, მეორე კვირის მასალაზე ვარ. დიფ ლერნინგის სპეციალისტებზე დღეს მოთხოვნა ბევრად აჭარბებს მოწოდებას. ყველა ინდუსტრიაში შევა ეს ტექნიკა და ყველა ინდუსტრიას შეცვლის, ჩვენც შევუერთდეთ ამ რევოლუციას. რა არის დიფ ლერნინგი? ბოლო წლებში მიმდინარე AI რევოლუცია ხდება ე.წ. დიფ ლერნინგის(deep learning) შედეგად. ეს არის artificial neural network (ANN) რომელსაც აქვ ბევრი შრე, ანუ სიღრმე(ეს ცნებები თუ არ იცით, არა უშავს, კურსს თუ გაივლით, ისწავლით). ANN დიდი ხანია არსებობს, მაგრამ აქამდე ის არ იყო ღრმა, რადგან სიღრმისთვის საკმარისი მონაცემები (data) არ არსებობდა. არაღრმა ANN კი არც ისე სასარგებლოა. ამ ბოლო დროს დატა ყველა ინდუსტრიაში უზარმაზარია და ANN-ც წავიდა სიღრმეში და შედეგებიც შთამბეჭდავია. თვითმავალი მანქანები, ენების თარგმნა, ალფაგო, ყველაფერი დიფ ლერნინგის შედეგია. სასწავლად მარტო ცოტა პროგრამირების ცოდნაა საჭირო პითონზე, არაფერი განსაკუთრებული. მოკლედ, მიხედეთ საქმეს. თუ რამე შეკითხვები გაქვთ, არ მოგერიდოთ. https://www.coursera.org/specializations/deep-learning https://www.deeplearning.ai/ |
| Posted by: asphurcela 15 Aug 2017, 11:23 |
| vid თემა განავრცე, რამე შესავალი გაუკეთე, მცირეოდენი ახსნები, მიდექ-მოდექი, დააინტერესე ხალხი. ეს ცარიელი სარეგისტრაციო ლინკები რა თავში ვიხალოთ? |
| Posted by: nforumi 15 Aug 2017, 12:15 | ||
asphurcela
ვეთანხმები ასფურცელას გამოსვლას  vid თუ მოკლედ დაწერ ხოლმე კერძოდ რას სწავლობ, იქნებ ჩვენც ჩავერთოთ განხილვაში. შენთვის კიდე კარგი იქნება, რეზიუმესავით თუ გააკეთებ ხოლმე და დაგვიწერ აქ. |
| Posted by: vid 16 Aug 2017, 04:05 |
| asphurcela nforumi მაგრები ხართ რა  რა თავში იხალოთ და დააკლიკეთ ზედ, შედით შიგნით და გაიარეთ კურსი. ცარიელი ლინკები არ დამიყრია, გავაკეთე საკმაო შესავალი და კონტექსტი. ყოველი გაკვეთილის აქ მოყოლას ვერ დავიწყებ, სორი. |
| Posted by: nforumi 16 Aug 2017, 10:22 | ||
vid
მაგრები ვართ კი, თუ არ გინდოდა აქ მსჯელობა, თემას რაღაზე ხსნიდი? |
| Posted by: vid 16 Aug 2017, 13:46 |
| nforumi იმაზე გავხსენი, რომ გაგიზიარეთ საინტერესო კურსი თუ იქნებოდა საკმარისი ინტერესი, ამ თემაში შეგვეძლო კურსის გაკვეთილების, დავალებების განხილვა და აზრების გაცვლა გამოცვლა. ზოგადად AI-ზე არის თემა უკვე. |
| Posted by: execution 17 Aug 2017, 22:35 | ||||
| ფიქსირ, დავ enroll დები, საინტერესოა
vid
7 დღის შემდეგ ვეღარ გამოვიყენებ თუ უბრალოდ full access აღარ მექნება და შეიზღუდება ? |
| Posted by: vid 18 Aug 2017, 00:39 |
execution ზუსტად არ ვიცი, fee waiver აქვთ და ცადე, შეიძლება მოგიხსნან. ისე, დიდი დრო თუ შეგიძლია დაუთმო, ერთ კვირაში შეიძლება სულ დაამთავრო ერთი კურსი. ვიღაც ტიპმა 3 დღეში გაიარა ყველა კურსი. |
| Posted by: t-90 2 Sep 2017, 16:23 |
| vid კაი რამეა ეგ. მაგ ლექგტორის Machine Learning იც მაგარია. |
| Posted by: vid 2 Sep 2017, 18:53 |
| t-90 გავლილი მაქვს ეგ კურსიც. აგერ ბარემ მაგ კურსის ლინკიც https://www.coursera.org/learn/machine-learning თემას რაც შეეხება, ეს გრაფიკი აჩვენებს თუ რით ჯობია დიფ ლერნინგი სხვა ალგორითმებს. სხვები აღწევენ რაღაც დონეს და იმის ზევით ვერ ადიან, რამდენი data-ც არ უნდა დაამატო. დიფ ლერნინგს ეგეთი ზღვარი არ აქვს.  |
| Posted by: Kaxab 2 Sep 2017, 19:13 | ||
vid
და რა ალგორითმია ეგეთი? იქნებ მოიყვანო მოკლე მონახაზი, თუ ჩაწვდი რათქმაუნდა. |
| Posted by: vid 2 Sep 2017, 20:00 |
| Kaxab ჯერ ვნახოთ რას წარმოადგენენ სხვა ალგორითმები. ავიღოთ linear regression და logistic regression. ორივე შემთხვევაში გვაქვს საწყისი ცვლადები, რომლის მიხედვითაც ვადგენთ პასუხს. მაგალითად, გვინდა გავაკეთოთ ალგორითმი, რომლითაც დავადგენთ ბინის ფასს. ამ შემთხვევაში ცვლადები იქნება ბინის ფართობი, ოთახების რაოდენობა, მდებარეობა, და.ა.შ. დავარქვათ ამ ცვლადებს X1, X2, ... ჩვენ ვამბობთ, რომ ბინის ფასი წრფივადაა დამოკიდებული ამ ცვლადებზე, ანუ P = A1*X1+A2*X2+A3*X3+... და მთელი ალგორითმი დადის ამ A1, A2, ... არგუმენტების პოვნაზე. ამ არგუმენტების საპოვნელად ალგორთმს 'ვწვრთნით' ცნობილ მონაცემებზე, ანუ თუგვაქვს M რაოდენობა სახლების ინფორმაცია თავისი ფასებიანად, ვპოულობთ იმ კოეფიციენტებს, რომლებიც ყველაზე კარგად აღწერს ამ ფასებს. მერე ამ კოეფიციენტებს ვიყენებთ ახალ სახლზე, რომლის ფასიც არ ვიცით. ეს არის ლინეარ რეგრეშენი. ლოჯისტიკ რეგრეშენიც იგივეა, ოღონდ იქ პასუხი არის კი ან არა, მაგალითად სპამია ემაილი თუ არა. ამით გარკვეულ ამოცანებს ამოხსნი, მაგალითად ზემოთ მოყვანილს, მაგრამ უფრო რთულ პრობლემებს ეს მეთოდი ვერ დაძლევს. მაგალითად ადამიანის ამოცნობა სურათის მიხედვით (რასაც ფეისბუქი აკეთებს). ახლა ვნახოთ როგორ მუშაობს დიფ ლერნინგი. დიფ ლერნინგის მექანიზმი ნაჩვენებია ამ სურათზე სახის ამოცნობის მაგალითზე. ამ შემთხვევაში, ინპუტი არის ადამიანის სურათი და ცვლადები არის პიქსელები ამ სურათზე. აუტპუტმა კი უნდა გვითხრას, ამ სურათზე გამოსახული ადამიანი ბონდოა თუ მაყვალა. ამ ამოცანაში პიქსელებიდან პირდაპირ პასუხის მოძებნა რომ მოგვენდომებინა, არაფერი გამოგვივიდოდა, ამიტომ ინპუტსა და აუტპუტს შორის ვამატებთ რამდენიმე შრეს. ყოველ შრეს აქვს რამდენიმე კვანძი (რგოლები ამ სურათზე). პირველი შრის კვანძები განისაზღვრება სურათის პიქსელების წრფივი კომბინაციით, როგორც ლოჯისტიკ რეგრეშენში. მეორე შრის კვანძებში უკვე პირველი შრე ასრულებს ინპუტ ცვლადების ფუნქციას. მესამე შრისთვის მეორე შრე და ა.შ. საბოლოო ჯამში ისე გამოდის, რომ პირველი შრე განსაზღვრავს კონტურებს. მეორე შრე უკვე ამოიცნობს სხეულის ნაწილებს (თვალი, ცხვირი, პირი,...), მესამე შრეში უკვე მთლიან სახეებს ვხედავთ. ანუ, რაც უფრო ღრმაა ჩვენი სისტემა (ანუ რაც უფრო მეტი შრისგან შედგება), მით უფრო რთული კონცეფციების დაჭერას ვახერხებთ. რაც უფრო მეტი მონაცემები გვაქვს, მით უფრო ღრმა შეგვიძლია გავხადოთ ჩვენი სისტემა და შედეგად უფრო ზუსტი პასუხები მივიღოთ. კარგი ისაა, რომ ამ დეტალებზე ფიქრი ჩვენ არ გვჭირდება. ჩვენ მარტო ავირჩევთ შრეების რაოდენობას, შრეებში კვანძების რაოდენობას და მივუშვებთ ამ ჩვენ სისტემას data-ზე გასაწვრთნელად. დანარჩენს სისტემა აკეთებს, თვითონ პოულობს სხვადასხვა შრეებისთვის კონცეფციებს. ადამიანის ტვინიც დაახლოებით ეგრე მუშაობს. ბავშვი რომ იბადება და აკვირდება გარესამყაროს, ეგრე ჩნდება მის ტვინში სხვადასხვა ცნებები მარტივიდან რთულისკენ. იმედია მეტნაკლებად ავხსენი, თუ რამე შეკითხვა გაქვს, შევეცდები გიპასუხო. კიდევ უკეთესი იქნება თუ თვითონ კურსს გაივლი. ადვილი სასწავლია და ძალიან მოკლე დროში შეგეძლება ძალიან მძლავრი სისტემები დაწერო შენ თვითონ.  |
| Posted by: Kaxab 2 Sep 2017, 22:45 | ||
| vid როგორც მივხვდი, სურათი გადავიყვანეთ შესადარებელ ფორმატში. ანუ დავყეთ ნაწილებად და ამ ნაწილებიდან ავაწყეთ შესადარებელი ელემენტები. და სხვა სურათები რომელიც უკვე არის ამავე ფორმატში, შეგვიძლია შევადაროთ ამ სურათს და გავაკეთოთ ამოცნობა. პროგრამისტის ამოცანაა ბევრი და ზუსტი შესადარებელი ნწილი იყოს, პასუხი რომ ზუსტი მივიღოთ. თავიდან უფრო ვერ გავიგე.
ამ ფორმულაშ A1, A2, ... არგუმენტები რაა რეალობაში? რარაცატომ ვერ ვაცნობიერებ "არგუმენტს". ფორმულის დანარჩენი აღნიშვნები გასაგებია. |
| Posted by: execution 2 Sep 2017, 22:56 | ||
თუ სწორად მესმის, რეალობაში არ არის ეგ A1, A2, ა.შ. რეალობაში არის X1, X2, ა.შ. (ამ შემთხვევაში ბინის ფართობი, ოთახების რაოდენობა, ა.შ.), რომლისთვისაც კოეფიციენტებს/წონას პოულობს ეს ალგორითმი, ეს კოეფიციენტებია A1, A2, და ა.შ. |
| Posted by: robox 2 Sep 2017, 23:33 |
| ჩემი აზრით ეს ჯობია https://www.udacity.com/course/deep-learning--ud730 გუგლის კურსია და თან ბოლოში რაღაცა აპის შექმნაცაა სადაც ეს ალგორითმებია პრაქტიკაში გამოყენებული. თან უფასოა |
| Posted by: fenrirhowls 2 Sep 2017, 23:47 |
რა კარგი თემაა  ..................30 |
| Posted by: vid 3 Sep 2017, 00:18 | ||||
Kaxab
პროგრამისტი ხელით არაფერს არ ყოფს, DNN (დიფ ნურალ ნეტვორკ) სისტემა თვითონ იგონებს მეთოდს როგორ "დაშალოს" ეს სურათები ნაწილებად და როგორ შეადაროს ერთმანეთს. ამას ის აკეთებს წვრთნის პროცესში, როცა მას აწვდიან მილიონობით სხვადასხვა სურათს. პროგრამისტი მარტო სისტემას ააწყობს (ანუ გადაწყვეტს რამდენი შრე ქონდეს, თითოში რამდენი კვანძი, და დაწერს წვრთნის სტანდარტულ მეთოდს), ყველაფერ დანარჩენს აკეთებს სისტემა. სისტემის აწყობა ძალიან ადვილია, თითქმის პრიმიტიული. პროგრამირების მარტო ელემენტარულ დონეზე ცოდნაა საჭირო. ანუ barrier of entry ძალიან დაბალია, მინიმალური ცოდნით, ძალიან მალე შეგიძლია ძალიან ძლიერი სისტემა ააწყო. ეს ნიშნავს, რომ ძირითადი სისტემა შეგიძლია უცებ ააწყო და მერე სხვადასხვა რაღაცეები ცადო, შენი იდეები განავითარო და ახალი რაღაცეები გამოიგონო. გამოსაგონებელი კი ბევრია, ეს ყველაფერი ახლა იწყება. execution
 robox მე კორსერაზე ბოლო კვირაზე ვარ უკვე, ახსნით კარგად ხსნის, მაგრამ პროგრამირების მხარე ცუდადაა გაკეთებული. უკვე დაწერილ პროგრამაში გეუბნება რო აბა აი ამ ხაზზე წეღან რო გასწავლე ის ფუნქცია ჩაწერე. რეალურად შენ არ წერ პროგრამას. უდასიტიში თუ უკეთესადაა და თან უფასოა, მაგას მივეძალოთ. |
| Posted by: Kaxab 3 Sep 2017, 12:46 | ||
| მადლობები ყველას. vid
კონკრეტულად როგორია ამ წვრთნის პროგრამა (ალგორითმი). მოკლე მონახაზი თუ შეგიძლია. საერთოდ მე შორს ვარ იმისგან, რომ რამე აპლიკაცია შევქმნა, მაგრამ ალგორითმებს ზოგჯერ ვგებულობ ხოლმე. |
| Posted by: vid 3 Sep 2017, 15:46 |
| Kaxab დავუშვათ ვაკეთებთ სახის ამომცნობ სისტემას, ანუ მიზანია, რომ თუ ვაჩვენებთ სურათს, იმან უნდა გვითხრას არის თუ არა ეს იმ ადამიანის სურათი. როგორც ვთქვი, ყოველ შრეში ყოველი კვანძის მნიშვნელობის მისაღებად ვიღებთ წინა შრის მნიშვნელობების წრფივ კომბინაციას და ვმოქმედებთ მასზე რაღაც არაწრფივი ფუნქციით(ამას ეძახიან აქტივაციას). ეს ფუნქციაც სისტემის ერთერთი პარამეტრია, არსებობს რამდენიმე ფუნქცია რომელსაც ძირითადად იყენებენ, მაგრამ შეგიძლია რამე ახალი მოიფიქრო თუ გინდა. ბოლო შრე მარტო ერთი კვანძისგან შედგება და თუ იმ კვანძის მნიშვნელობა არის ვთქვათ 0.5-ზე მეტი, პასუხია კი, თუ ნაკლები, მაშინ არა. პირველი შრის ინპუტები არის ის სურათები რომლებსაც ვაწვდით წვრთნის დროს. სურათებს ვაწვდით პიქსელების ფორმატში, როგორც რიცხვების მასივს. ახლა რა ხდება წვრთნის დროს. დასაწყისში ყველა წრფივი კომბინაციის კოეფიციენტებს ვირჩევთ რანდომ ფუნქციით, ანუ შემთხვევითად. შემდეგ გავატარებთ ამ სისტემაში ყველა საწვრთნელ სურათს და ვნახავთ რამდენს ამოიცნობს სწორად. ამ სწორად ამოცნობების მიხედვით აკეთებენ ე.წ. cost functi0n-ს, ანუ ფუნქციას, რომელიც დამოკიდებულია სისტემის კოეფიციენტებზე და რომლის მნიშვნელობაც მცირდება როცა სისტემა უმჯობესდება. ყოველ ჯერზე ვითვლით ამ კოსტ ფუნქციას და მის კერძო წარმოებულებს პარამეტრების მიხედვით, რომ ვიცოდეთ როგორ უნდა შევცვალოთ ეს პარამეტრები, რომ კოსტ ფუნქციის მნიშვნელობა შემცირდეს(შესაბამისად სისტემა გაუმჯობესდეს). ასე, ჯერ ერთხელ გავატარებთ სისტემაში ყველა სურათს, შემდეგ შევცვლით ამ პარამეტრების მნიშვნელობას კერძო წარმოებულების მიმართულებით, მერე თავიდან გავატარებთ ყველა სურათს, კიდევ შევცვლით პარამეტრების მნიშვნელობებს და ა.შ. საკმარისად ბევრჯერ გატარების მერე ვნახავთ რომ კოსტ ფუნქცია აღარ მცირდება, ანუ მივაღწიეთ პარამეტრების იმ მნიშვნელობებს, რომლებიც საუკეთესო შედეგს გვაძლევს ამ რაოდენობის დატა და ამ ტიპის სისტემის პირობებში. თუ ვართ კმაყოფილი რამდენად კარგად მუშაობს სისტემა, ანუ რა ალბათობით იცნობს სახეებს, პრობლემა გადაწყვეტილია. თუ არა, ან საწვრთნელი სურათების რაოდენობა უნდა გავზარდოთ, ან შრეები დავამატოთ სისტემას ან რამე სხვა. ძირითადი აზრი ესაა. |
| Posted by: Kaxab 4 Sep 2017, 10:10 |
| vid მადლობა, გავიგე ძირითადი აზრი. |
| Posted by: vid 4 Sep 2017, 16:12 |
| Kaxab კიდევ უფრო მოკლედ რომ ვთქვა, აქაც, ისევე როგორც ლინეარ/ლოჯისტიკ რეგრეშენში, მიზანი არის წრფივი კომბინაციის კოეფიციენტების პოვნა. ვიწყებთ შემთხვევით არჩეული კოეფიციენტებით და წვრთნის დროს ნაბიჯ-ნაბიჯ ვცვლით უკეთესობისკენ. DNN-ში ბევრად მეტი კოეფიციენტი გვაქვს, იმიტომ რომ გვაქვს ბევრი შრე და ყოველ შრეში ბევრი კვანძი. ყველა კვანძს აქვს თავისი კოეფიციენტები, ერთი კვანძი არის ერთი ლოჯისტიკ რეგრეშენის მსგავსი სისტემა. |
| Posted by: asphurcela 4 Sep 2017, 19:50 |
| არ ვიცი რა არის, მაგრამ გადავეყარე ერთგან და ეს თემა გამახსენდა: https://www.datacamp.com/courses/deep-learning-in-python?utm_source=fb_paid&utm_medium=fb_desktop&utm_campaign=dc_visitors |
| Posted by: execution 10 Sep 2017, 19:22 |
| vid შენ/თქვენ თვითონ გაიარე(თ) ეს კურსი? მეორე კვირის მასალაზე ვარ ჯერ, ხოდა აქ აღნიშვნები მე მგონია ასე თუ ძაან დამაბნევლად აქვს? ვითო რომ შეამოკლა წარმოებულები მაგას ვარკვევდი კაი ხანი რეები ეწერა  ნაწილ ნაწილ ვხვდები მაგრამ დიდ სურათს ვერ ვხედავ ვსიო მივხვდი რისთვისაა საჭირო ამ სურათით  |
| Posted by: vid 11 Sep 2017, 01:00 |
| execution პირველი კურსი გავიარე და სერტიფიკატიც ავიღე. ბოლო პროგრამინგ ესაიმენტში, სურათზე კატების ამომცნობ პროგრამას წერ. 5 შრიანი DNN-თი 80% სიზუსტეს აღწევ სულ რაღაც 200 საწვრთნელი სურათით. ამ გრაფიკზე მოცემულია თუ როგორ იცვლება კოსტ ფუნქცია წვრთნის პროცესში. კოსტ ფუნქცია ზომავს რამდენად კარგად მუშაობს სისტემა, იდეალურ ვარიანტში, თუ ყველა სურათს ზუსტად ამოიცნობს, კოსტ ფუნქცია ნოლია. თავიდან შემთხვევით არჩეული პარამეტრებით, კოსტ ფუნქცია დიდია, მერე წვრთნის დროს როცა პარამეტრებს ცვლი, მნიშვნელობა ნელნელა ეცემა. გრაფიკზე ჩანს, რომ ბოლოსკენ უკვე მეტად აღარ ჩამოდის ქვემოთ, ანუ მიაღწია მაქსიმალურ სიზუსტეს, რაც მოეცმულ სისტემას შეუძლია.  |
| Posted by: gubaz_merve 11 Sep 2017, 01:53 |
| vid ვთქვათ კატას რომ სდიოს რობოტმა რას გამოიყენებდი,არსებობს პიქსი კამერა ,არდუინო.,რასპბერი...? |
| Posted by: vid 11 Sep 2017, 04:27 |
| gubaz_merve ჯერ ერთი რატომ უნდა სდიოს კატას რობოტმა და მეორე, რა მნიშვნელობა აქვს კამერას, მთავარია იღებდეს.აგერ ტედ მოხსენება, ტიპმა გააკეთა სისტემა, რომელიც ერთდროულად ბევრ ობიექტს აფიქსირებს და მიყვება. https://www.ted.com/talks/joseph_redmon_how_a_computer_learns_to_recognize_objects_instantly |
| Posted by: execution 11 Sep 2017, 09:22 |
| vid მადლობა, საინტერესოა რომ მინდა იმდენ დროს ვერ ვუთმობ სამწუხაროდ მერე ისევ მაგ 200 საწვრთნელ სურათზე აქვს 80% თუ სხვები რომ ცჰააგდო მაინც ეგრე იქნება? |
| Posted by: gubaz_merve 11 Sep 2017, 09:44 | ||
კატის მაგივრად ტანკი რომ დამეწერა ჯობდა,პიქსი კამერას სერვოს მართვა შეუძლია https://youtu.be/DV4YK_Kk5IYფირის ბოლოს ნახე,მთავარი კითხვა მაინც იგივეა რა დაგჭირდება მექანიკური ნაწილების გარდა რომ სრულყოფილი ელექტრო სისტემა შეკრა ,რამდენი ბაიტი მახსოვრობა იქნება საჭირო ვთქვათ ნახევარი საბრძოლო ტექნიკის შეყვანა პროგრამაში და რიგითობის მიხედვით დახარისხება ,ვთქვათ სურათი გადაიღოს ჯერ რადიოლოკაციურ მანქანას თუ რადიოლოკაციური მანქანა არ ჩანს საზენიტო სისტემას და ასე შემდეგ.? |
| Posted by: vid 12 Sep 2017, 04:19 |
| execution სხვა სურათებზეა 80% სიზუსტე. 200 საწვრთნელი სურათია, მაგით ააწყობ სისტემას და მერე რამდენზეც გინდა იმდენ სურათზე გამოცდი და მანდაა 80%. gubaz_merve აჰა, გასაგებია. სოფტვეა ნაწილი ძალიან მარტივი და "მსუბუქია", იმდენად, რომ რამე განსაკუთრებული მონსტრი სისტემა თუ არაა სმარტფონიც ამუშავებს. დავუშვათ გვაქვს 1000 შრიანი სისტემა, თითოში 1000 კვანძით. ამ სისტემას ჭირდება 1000X1000X1000 კოეფიციენტი, ანუ ~1GB მახსოვრობა, რაც სმარტფონებს აქვთ. სურათის ამოცნობასაც ჭირდება ყველა ამ კოეფიციენტმა გაამრავლოს, ანუ გიგაჰერცი. ამასაც გაწვდება სმარტფონი. თან ათასშრიანი და თითო ათასკვანძიანი სისტემა ძალიან დიდია, მაგხელა არაა საჭირო უმეტეს შემთხვევაში. იმ ვიდეოშიც ტანკებს არ უყურებს, მაგრამ რასაც უყურებს იცნობს, მიუხედავად იმისა, რომ მოძრაობენ და სხვადასხვა კუთხიდან ჩანან, და ამ ყველაფერს სმარტფონით აკეთესბ. რაც დავწერე ის ეხება აწყობილ სისტემას. აწყობას, ანუ გაწვრთნას უფრო მეტი რესურსი ჭირდება, მაგრამ ეგეც არაა ძალიან ძნელი. ძლიერ დესკტოპ კომპიუტერზე, ერთი დღის წვრთნით შეიძლება საკმაოდ ძლიერი სისტემის აწყობა. ამ კურსში, 5 შრიანი, 200 საწვრთნელ მაგალითიანი სისტემის გაწვრთნას დაჭირდა დაახლოებით 1 წუთი. |
| Posted by: gubaz_merve 12 Sep 2017, 11:52 |
| vid აბა ჰე წარმატებები,დაოსტატებას გისურვებ ,რა იცი იქნება ხელოვნურ ინტელექტამდეც მიხვიდეთ,პითონი კარგია,მაგ პროგრამას თუ არ ვცდები მანძილის ამოცნობას უნდა შეეძლოს ორი კამერის მეშვეობით. |
| Posted by: execution 12 Sep 2017, 14:02 | ||||||
ვა * * *
vid w = np.zeros(shape=(dim,1)) დავალებაში ასე ჩავწერე, კი მუშაობს, მაგრამ არ მომწონს. ასეა საჭირო თუ უფრო მარტივად შეიძლება ნულოვანი (dim,1) ის მქონე ფორმის მატრიცის შექმნა? * * * მივხვდი, w = np.zeros((dim,1),) ასე ჩავწერე და გამოვიდა დოკუმეტაციების კითხვას უნდა მივეჩვიო. |
| Posted by: vid 14 Sep 2017, 05:33 |
| execution რომელ კვირაზე ხარ? აგერ კიდევ ერთი კურსი https://www.coursera.org/learn/neural-networks ამის ავტორი ჰინტონი ერთერთი ცნობილი ნურალ ნეტვორკის მამაა. როცა ნურალ ნეტვორკები პოპულარული არ იყო, მაშინაც მაგაზე მუშაობდა. |
| Posted by: execution 14 Sep 2017, 10:00 |
| vid მე2 კვირის ბოლო დავალებაზე ვარ. 17 მდე უნდა დავამთავრო მგონი რომ სერთიფიკატი ავიღო, მაგრამ რომ მინდა იმდენ დროს ვერ ვუთმობ. |
| Posted by: execution 17 Sep 2017, 12:50 |
| დავამთავრე პირველი კურსი. კაი იყო ძაან. მოკლედ neural metwork რტული რამე არ არის, ურალოდ თუ სჰენით წერ დებაგინგი რთული იქნება, აქ მარტივად იყო საქმე. Kerasი და მასეთები კარგია ალბათ მაგისთვის, საინტერესოა რამდენდ გაძლევს customიზაციის საშუალებას. Kიდე dataset ის preprocessing უნდა გესმოდეს. ზაან მინდა ახლა რაგაც ექსპერიმენტების ცჰატარება მაგრამ python library ebi მაქვს სასწავლი data preprocessing ისთვის. ცალ-ცალკე პატარა network ebi რომ ავარჯისჰო, მერე სერიალიზება გაუკეთო და ამათი output i სხვა networkის input ზე რომ დააჯინო. sაინტერესოა უკეტეს სჰედეგს ტუ გამოიგებს ვიდრე თავიდანვე დიდი network რომ ააწყო. Sხვა ტიპის network ebic საინტერესოა. Gradient descent is ჩემებური ვარიანტის ცდაც მინდა mtlian datasetze veqtorizebulad rom akeTeb swrafia magram layer by layer rom gaaketo ras izams sainteresoaDa ra sheidzleba gaaketo rom neuronebi/perceptron ebi ufro specializebuli iyos. Mgonia rom redundancy iqneba amat shoris didi. Ar mgonia random initialization dzaan efeqturi iyos. vid სწრაფი დეველოპმენტი და ექსპერიმენტირება როგორ ხდება ამ სფეროში ხომ არ იცით შემთხვევით? გამზადებული დატასეტები ვიპოვე ტორენტებზე. |
| Posted by: vid 17 Sep 2017, 15:25 |
| execution გილოცავ რეაქციაც სწორი გაქვს, უნდა ცადო ბევრი სხვადასხვა რამე, შეიძლება გაარტყა და სერიოზულად წინ წაწიო საქმე. ერთი მე რასაც ვფიქრობდი არის, რომ მე-N-ე შრემ მარტო N-1-დან კი არ გამოდიოდეს, არამედ ყველა მანამდე შრიდან, (1,2,3,...N). ან რამე სხვანაირად რომ შეცვალო შრეებს შორის ურთიერთდამოკიდებულება. დებაგინგიც არც ისე ძნელია, თუ სისტემატურად მიყვები. თან მარტო ერთხელ უნდა გააკეთო როცა პირველად წერ იმ ფუნქციებს, მაგის მერე იგივე ფუნქციებს გამოიყენებ ყველა სხვა სისტემაზეც. თუნდაც პატარა მოდიფიკაციები გაუკეთო, არ იქნება ეგ ძალიან ძნელი. გამზადებული დატასეტები აქ არის http://www.image-net.org/ . მე არ გამომიყენებია, დეტალები არ ვიცი როგორ მუშაობს. კიდევ ეს ნახე https://www.kaggle.com/ . აქ რეალური ფირმები მოდიან თავისი რაელური პრობლემებით და თავისი დატასეტებით. მანდ თუ კარგი შედეგები გექნება, გამოჩნდები და სამსახურს შემოგთავაზებენ. * * * ჩამოვწერ რამდენიმე ფაქტს DNN-ზე. 1. უკვე ადამიანზე უკეთესი შედეგი აქვს ბევრ რამეში, მაგალითად სურათის გარჩევაში, ხმის გარჩევაში, მთელ რიგ თამაშებში. ტექსტი შეუძლია თარგმნოს ერთი ენიდან მეორეზე ისე, რომ ადამიანის ნათარგმნიდან ვერ გაარჩევ. ანუ უკვე აქვს რიგი ზეადამიანური თვისებები. 2. ეს ზეადამიანური თვისებები არ არის რამე საოცარი პროგრამის შედეგი, პროგრამა, როგორც ვთვქი, მარტივი და სტანდარტულია. სასწაული ხდება წვრთნის დროს. აწვდი სისტემას მილიონ კატის სურათს და ეუბნები, აგერ შენ კატები და მიდი ახლა და შენ თვითონ გაარკვიე რა არის კატა. 3. როგორ არკვევს რა არის კატა, ჩვენ არ ვიცით. საბოლოო პასუხი განპირობებულია მილიარდობით პარამეტრით, რომლებიც ერთად იძლევიან პასუხს. როგორც წესი, ვერ გამოიძიებ და ვერ დაადებ ხელს რამეს კონკრეტულად, სისტემა შავი ყუთია. ეს სერიოზული პრობლემაა, ვთქვათ თვითმავალი მანქანა თუ მოხვდა ავარიაში, ადვილი არ იქნება მიზეზის დადგენა. შეიძლება მოგიწიოს გადააგდო რაც გაქვს და თავიდან გაწვრთნა ახალი DNN, რომელიც ასევე შავი ყუთი იქნება. 4. ნებისმიერ საკითხში ადამიანის დონის მისაღწევად, მოითხოვს ადამიანზე ბევრად მეტ წვრთნას. მაგალითად, პატარა ბავშვს, რომელსაც კატა არ უნახია, შეიძლება ერთი კატა ანახო და იმის მერე ეცოდინება კატა რა არის და ფაქტიურად 100% სიზუსტით შეეძლება ვთქვათ ძაღლისგან გარჩევა. DNN-ს მილიონობით სურათი უნდა აჩვენო მსგავსი შედეგიშტვის. 5. დღემდე რაც გაკეთებულა, ყველა არის ე.წ. ვიწრო AI, რომელიც მარტო ერთ რამეშია გაწვრთნილი და წარმოდგენა არ აქვს სხვა არაფერზე. მაგალითად კატის ამომცნობი, ხმას ვერ გაიგებს, ხმიმს გამგები მანქანას ვერ ატარებს და მანქანის მტარებელი ჭადრაკს ვერ ითამაშებს. ზოგადი AI ანუ AGI (artificial general intelligence), ანუ სისტემა, რომელსაც ადამიანის მაგვარი ინტელექტი ექნება ბევრ სხვადასხვა დარგში, ჯერ ჰორიზონტზეც არაა. როგორ უნდა მიუდგე ამ საკითხს და როგორ დაიწყო მსგავსი სისტემის კეთება, ეგეც უცნობია. 6. დღეს DNN არის საუკეთესო მეთოდი რაც გვაქვს, მაგრამ ეგ არ ნიშნავს, რომ უკეთესი არ არსებობს. 4 და 5-ის გადასაწყვეტად, სავარაუდოდ რამე სხვა მეთოდის მოფიქრება გახდება საჭირო. 7. მთელი ეს დარგი ძალიან ახალია, ჯერ კიდევ ნიუტონამდელი ფიზიკის დონეზეა. შეიძლება ჩაუჯდე და საკმაოდ მოკლე დროში ისწავლო ყველაფერი რაც ამ დარგში სასწავლია და აღმოჩნდე ქათინგ ეჯზე. |
| Posted by: execution 19 Sep 2017, 18:42 |
| vid input layer ზეც ხომ შეიძლება gradient descent ი? ანუ 1 სურათი რომ შეიყვანო და სანამ loss არ შეამცირებ პიქსელების მნიშვნელობები რომ ცვალო.რამე მსგავსი მეთოდით აგენერეირებენ ნეტა neural network ით რაღაცეებს?? გუგლის deep dream ის მსგავს რამეზე ვამბობ. |
| Posted by: execution 21 Sep 2017, 13:22 |
| Andrew Ng ს ორი სიტყვა ამჟამინდელ ტრენდებზე |
| Posted by: vid 28 Sep 2017, 15:48 | ||
ასე, ალბათ, იმას მიიღებ, რომ ის სურათი, სადაც პიქსელებს ცვლი, დაემსგავსება იმ სურათს, რომელსაც ადარებ თუ რამე სხვა მოხდება? |
| Posted by: execution 28 Sep 2017, 19:26 | ||||
მერე დავგუგლე და deep dream სხვანაირად მუშაობს, 2 ნეთვორქია, 1 აგენერირებს, მე2 აფასებს. მაგრამ მე როგორც დავწერე ასე არ დაემსგავსება რასაც ადარებ, იმიტომ რომ არ არსებობს ის რასაც ადარებ. უბრალოდ ისეთ სურათს დააგენერირებ რომელსაც ნეთვორქი დააკლასიფირებს როგორც მაგალითად კატას( ან რისი კლასიფიცირებაზეცაა გაწვრთნილი), მაგრამ ნეთვორქი როგორ ხვდება მაგას ჩვენ ხომ არ ვიცით და მაგიტომ კაცმა არ იცის რას დააგენერირებს მაგრამ ინტუიცია მეუბნება რომ ჩვენ კატას ვერ დავინახავთ იმ სურათზე unless given neural network can generalize exceptionally well and is not overfitting the dataset it was trained on. |
| Posted by: kakia89 20 Dec 2017, 17:27 |
| ქართველი მუშაობს ვინმე მეცნიერულ დონეზე ამ დარგში? |
| Posted by: execution 14 Jan 2018, 04:03 |
| kakia89 https://georgia.sdsu.edu/dr-lela-mirtskhulava/ მეც მინდა იდეაში მარა სადმე მოხევა თუ მოვახერხე PhD ზე რატო მოკვდა ეს თემა |
| Posted by: naniko1122 14 Jan 2018, 04:33 | ||
გამაგიჟებთ, ხალხო ))მადლობის მაგიერია? vid მადლობა  |
| Posted by: execution 20 Jan 2018, 15:48 |
| საკმაოდ საჩალიჩო ყოფილა ჰიპერპარამეტრები pytorch ში 5შრიანი CNN (2 conv + 3 dense) დავწერე, მაგრამ სტანდარტული პარამეტრები არ მახსოვდა და ნახვაც დამეზარა ჰოდა ბევრი ჩალიჩის მერე დაიწყო სწავლა MNIST დატასეტზე (ხელნაწერი რიცხვები)  თუმცა ოდნავ შევცვალე batch ების ზომა, learning rate და convolutional შრის ფილტრების რაოდნობა და დაენძრა პირველ 5 ეპოქაზე 80% ზე ვერ ავიდა ჰო pooling შრეები ამოვაკელი, დავიკიდე რატომღაც kaggle ზე პირველი submission იც გავაკეთე |
| Posted by: vid 20 Jan 2018, 22:35 |
| naniko1122 execution მოგვიყევი როგორ წავა საქმეები KAGGLE-ში. აი მარცხენადან მარჯვენაში რო გადახვალ, დაგვთაგე  |
| Posted by: execution 20 Jan 2018, 22:45 |
| vid მარჯვენას ვინ ამბობს, მარცხენაში ვინ შემიშვებს kaggle ზე დიდი ვერაფერი, 1163-ე ადგილზეა ჩემი submission ი, მათ test სეტ ზე %97.7 სიზუსტით(mnist ყველაზე მარტივი დატასეტია) ძაან რენდომ რაღაცეებს ვაკეთებ, best practice ებს არ მივყვები, ვცდილობ ინტუიცია გავუგო რა მუშაობს და რატომ მარა ჯერ ვერ გამომდის |
| Posted by: execution 23 Jan 2018, 03:08 |
| :O ეს ნახეთ https://www.facebook.com/ross.girshick/posts/10159910213745261 |
| Posted by: Dirac 4 Mar 2018, 01:10 |
| udemy-ზე გავდივარ მაშინ ლერნინგის კურსს. საკმაოდ კარგია მაგრამ არ მიყვარს თითქმის დაწერილ პროგრამებს რომ გაძლევენ. კორსერაზეც ენდრიუ ნგ პრაქტიკულად გამზადებულ პროგრამას გაძლევს და შენ ორი ხაზი უნდა დაამატო. ისე udemy კორსერაზე უფრო მომწონს, კლასების მეტი არჩევანია, ფასიანია მაგრამ საკმაოდ იაფია. |
| Posted by: execution 4 Mar 2018, 19:47 |
| Dirac მე თუ მკითხავ კაია Andrew Ng. , 1-2 ხაზის დამატება გიწევს ხო მაგრამ high-level ინტუიციურ გრძნობას გაძლევს რა როგორ მუშაობს. numpy ში მაინც არავინ წერს ქსელს და გრადიენტებსაც თავისით ითვლის ნებისმიერი framework ი, არ ჭირდება ხელით გამოთვლა Hinton ის კურსს აქებენ coursera ზე, უფრო ღრმად გადისო. თან საინტერესო რაღAცეებს ლაპარაკობს სავარაუდოდ, არ მგონია რამდენიმე კაცზე მეტს ესმოდეს მაგაზე მეტად ეგ ამბავი backpropagation ის, capsule network ების და კიდე ათასირ რაღაცის მამა ტიპი ლექციებში რაღაც suggestion ებს აკეთებს, მერე ტესტავს ხალხი და მართლა რომ მუშაობს იტაცებენ RMSprop ოპტიმიზაცია იყო ეგრე მგონი |
| Posted by: vid 12 Mar 2018, 02:50 |
| გუგლელებმა ახალი სტატია გამოაქვეყნეს დიფ ნურალ ნეტვორკებთან დაკავშირებით. The Building Blocks of Interpretability Interpretability techniques are normally studied in isolation. We explore the powerful interfaces that arise when you combine them — and the rich structure of this combinatorial space. https://distill.pub/2018/building-blocks/ |
| Posted by: vid 22 Apr 2018, 15:19 |
| ტენზორფლოუ არის გუგლის დაწერილი ბიბლიოთეკა დიფ ლერნინგისთვის, ძალიან სასარგებლო და მოსახერხებელი, რომელიც გუგლმა ოფენ სორს გახადა და უფასოდ გვთავაზობს, მადლობა გუგლ. შეგიძლია დაიწყო ძალიან მარტივიდან, როცა შენ საერთოდ არ წერ პროგრამას და ბრაუზერიდან ცვლი რაღაც პარამეტრებს და ისე ითვლი და შეგიძლია ჩახვიდე რა დონეზეც გინდა იმ დეტალურ დონეზე. ასევე აქვს ათასნაირი ვიზუალიზაციის და სტატისტიკების ფუნქციები. მოყვება უამრავი ტუტორიალი და დოკუმენტაცია. ასევე მოყვება ტენზორფლოუზე დაფუძნებული გუგლის დიფ ლერნინგის კურსი https://developers.google.com/machine-learning/crash-course/ https://www.tensorflow.org/ execution იყენებ ტენზორფლოუს? |
| Posted by: execution 22 Apr 2018, 19:37 |
| vid არა, ნაკლებად ჩემს მოთხოვნილებებს keras იც აკმაყოფილებს, თუმცა keras ი tensorflow ს იყენებს back end ზე ისე კი უფრო დეტალური კონტროლი თუ გინდა რას აკეთებ ან სერვერზე prediction ის მოწყობა გინდა უნდა იცოდე tensorflow. თუმცა სერვერზე prediction იც გაგვიშვია keras ის მოდელით და რავიცი მუშაობს ნორმალურად. 500-600mb ram კი მიაქვს ისე, ქართული ხელნაწერის ამცონობა(პმ გამოვუშვებ ლინკს თუ გაინტერესებს) მე უფრო PyTorch ის ფანი ვარ პითონურია უფრო. ასე იყო სულ ცოტა ხნის წინ: tensorflow: წინასწარ უნდა გაიწეროს computational graph, ანუ input როცა შეგაქვს მან რა ოპერაციები უნდა გაიაროს output ამდე ყველაფერი წინასწარ უნდა იცოდე. მაგალითად: 1.სურათი შედის 1 კონვოლუციურ შრეში 2.შედეგი გადის pooling შრეში 3.... ..... 10.softmax ან რამე რავი, გააჩნია ხოდა ეს წინასწარ განსაზღვრო უნდა tensroflow ში. static graph ია. და მერე ქსელს უნდა აჭამო input ი და ეს მოგცემს output ს. gradient ის დათვლის საჭიროებიდან გამომდინარეობს ეს შეზღუდვა. PyTorch: პირდაპირ შეგიძლია პითონის interpreter ში რაც გინდა ის გაუკეთო data ს. და როცა მოგინდება backward() ფუნქციას გამოიძახებ და დაითვლის გრადიენტს. ანუ შეგიძლია "on the fly" ცვალო როგორც გინდა ქსელი. evolving topology ქსელი შეგიძლია მარტივად დაწერო ამით, მაგალიტAდ NEAT ალგორითმი აქ როგორცაა. აქ torch ს იყენებს, ორიგინალს, lua ში რაცაა და არა PyTorchს. თუმცა 30 მარტს tensorflow მაც გამოუშვა eager https://www.tensorflow.org/programmers_guide/eager იგივე ფუნქციონალის მისაცემად tensorflow სთვის. ანუ პირდაპირ შეგიძლია 1 ან 2 ოპერაცია შეასრულო და შედეგი ამობეჭდო ან რამე მსგავსი.  ჯერ ახალია და არ ვიცი რამდენად კარგია. მაინც მიწევს ჩავუჯდე tensorflow ს. reinforcement learning ზე რაც ვიპოვე ყველაზე კაი სასწავლი რესურსი tensorflow მაგალიტEბითაა. |
| Posted by: execution 14 Aug 2018, 17:16 |
 :დდდ |
| Posted by: vid 1 Oct 2018, 06:17 |
| ეს ფეი ფეი ლიც ერთერთი ცნობილი AI სპეციალისტია, ტედ მოხსენება ქონია რასაც აქ ვლაპარაკობთ იმაზე |
| Posted by: m e r a 1 Oct 2018, 22:13 | ||
აი ამის გაკეთებას ვცდილობ ეხლა და თუ გავაკეთე, გვეშველება? ახლა ყველაზე რთულ მომენტზე ვარ: როგორი სტრუქტურით შევინახოთ მეხსირებაში ობიექტები რომ ამოცნობილი ობიექტების შენახვა-დალაგება სწორად მოხდეს. პრინციპში ეს იგივე ამოცანაა, თუ როგორი პრინციპით მოვახდინოთ ობიექტის ამოცნობა. დღეს არსებული მეთოდი ძალიან არა-ინტელექტუალურია, ასე მგონია, რომ მილიონი სურათის სწავლის მაგივრად უბრალოდ მეხსიერებაში რომ შევინახოთ ეს სურათები და მერე ამოსაცნობ ობიექტს ზევიდან დავადოთ სხვადასხვა მასშტაბით, ასეც იგივე შედეგს მივიღებთ. რეალურად, ინტელექტუალურ სისტემას ერთი ნახვით უნდა შეეძლოს ობიექტის დამახსოვრება მისი პარამეტრების მიხედვით. ესეც იყოს: https://forum.ge/?showtopic=34345582&view=findpost&p=53463201  |
| Posted by: vid 3 Oct 2018, 04:47 |
| m e r a ერთი პრობლემა ისაა, რომ AI ყოველ ჯერზე სწავლას აბსოლუტური ნულიდან იწყებს. ყოველი ახალი AI ყველაზე უფრო ელემენტარულ ცნებებსაც თავიდან სწავლობს. მაგალითად კონტურების ცნება, ფიზიკური სხეულების ცნება, რომელმაც შეიძლება ფორმა შეიცვალოს მაგრამ მაინც იგივე სხეული იქნება. რაღაც ასეთების კატალოგს თუ შექმნი, მერე ამეებზე დაყრდნობით უფრო მაღალი დონის ცნებებს ასწავლი. მერე იმეების კატალოგს შექმნი და ასე შემდეგ, თვალსა და ხელს შუა მიხვალ AGI-მდე. |
| Posted by: m e r a 3 Oct 2018, 17:59 | ||
ხო, პრინციპში მეც მაგის იმედი მაქვს. მაგრამ საწყის სტადიაზეც კი სერიოზული პრობლემებია, დაჟე მარტო ხაზების გარჩევა და დამახსოვრება რომ ასწავლო, ესეც სერიოზული პრობლემაა, რადგან ფორმები იმდენად რთულ მონახაზებს შეიცავს, რომ მათი მეხსიერებაში ოპტიმალურად დალაგება და მერე იქიდან ამოღება ურთულესი საკითხია. ისე კი ამის გადაჭრამ შეიძლება ეგრევე სრულყოფილი ინტელექტის შექმნამდე მიგვიყვანოს, რადგან მეტი პრობლემა მხოლოდ ტექნიკური საკითხის იქნება. სხვათაშორის, ტვინში იმდენი რამაა შესწავლილი უყკვე, რომ ბევრი დრო აღარ დარჩა დიდ რევოლუციამდე  |
| Posted by: vid 1 Sep 2019, 21:08 |
| execution არ გინდა ფორუმზე ალტერნიკების ამომცნობი პროგრამა დაწერო? წერის სტილით რომ იცნობდეს? |
| Posted by: garnier 1 Sep 2019, 22:48 | ||
 მე ვარ execution ი უნის პერიოდში კი ვსწავლობდი ML ს მარა რაც დავამთავრე და ბექენდის ღლეობებზე ვმუშაობ დავიკიდესავეთ ისევ მაინტერესებს მარა რაღაც პრიორიტეტებში არეული ვარ ჰოდა მაგას რაც შეეხება, NLP სთან არ მქონია შეხება, რა მიდგომებიც ვნახე ზედაპირულად არ მომწონს ეგ მიდგომები |
| Posted by: vid 2 Sep 2019, 00:27 |
| garnier რა ნასკებივით იცვლი ნიკებს. ზუსტად შენნაირების გამოსავლენადაა საჭირო ეგეთი პროგრამა  უნდა ჩავუჯდე როცა მოვიცლი და წესიერად ვისწავლო. |
| Posted by: garnier 2 Sep 2019, 01:13 |
| vid პ.ს. ახლა შემხვდა რედიტზე  |
| Posted by: vid 1 Oct 2019, 20:58 |
| გუგლმა ტენზორფლოუ 2.0 გამოუშვა. კორსერაში სპეციალურად ტენზორფლოუს კურსები https://www.coursera.org/specializations/tensorflow-in-practice https://www.coursera.org/specializations/machine-learning-tensorflow-gcp ორივე დღეს დაიწყო და 4-5 თვეში გაგატარებენ, ოღონდ ფასიანია. პირველი ერთი კვირა უფასოა, კონცენტრირებულად თუ ისწავლით, 1 კვირაშიც შეიძლება ბევრის მოსწრება. |
| Posted by: vid 5 Oct 2019, 22:06 |
| უდასიტიზე უფასოდაა კურსი. https://www.udacity.com/course/intro-to-tensorflow-for-deep-learning--ud187 |
| Posted by: t-90 13 Oct 2019, 01:00 |
| https://www.pyimagesearch.com/start-here/?__s=q6z3cz24kqipah1sa7q8 საკმაოდ საინტერესო სტატიების და ქეისების კრებულია ძირითად საკითხებზე. ძირითადად დამწყებთათვის. |
| Posted by: vid 13 Mar 2020, 03:53 | ||
შევისწავლე ეგ საკითხი და მართალი ხარ, ჩვენნაირი ხალხისთვის, ვინც ახლა სწავლობს და ჩხირკედელაობს, პაიტორჩი უკეთესია. აგერ პაიტორჩის და ზოგადად დიფ ლერნინგის კურსი უდასიტიზე Intro to Deep Learning with PyTorch https://classroom.udacity.com/courses/ud188 ტესლას ავტოპილოტის პროგრამაშიც პაიტორჩს იყენებენ. *** ეს ახლა ვნახე, ძალიან კარგად ხსნის დიფ ლერნინგის არსს, თავისი მაღალი ხარისხის ანიმაციებით. რასაც აქ ვწერდით იმას ამბობს, ოღონდ უკეთესად. ინგლისურადაა, რუსული სუბტიტრებიც აქვს. ეს პირველი ვიდეოა, კიდე სამი ვიდეოა მანდვე. |
| Posted by: Datvlas-vin-gtxovs 21 Mar 2020, 13:11 |
| Machine Learning ჩვენი არსობისა |
| Posted by: vid 21 Apr 2020, 07:13 |
| ცოტა საფუძვლიანად ჩავუჯექი ამას და გთავაზობთ ჩემ შემოქმედებას სტაილ ტრანსფერი კონვოლუშენალ ნურალ ნეტვორკების გამოყენებით. რაში მდგომარეობს სტაილ ტრანსფერი. ვიღებთ საწყის ფოტოსურათს, მაგალითად ძველი თბილისის ამ სურათს  სტილისთვის ვიღებთ რაიმე ნახატს, რისი სტილის კოპირებაც გვინდა, მაგალითად ელენე ახვლედიანის ამ სურათს  ამ სტილს დავადებთ პირველ სურათს და მივიღებთ ასეთ რამეს  |
| Posted by: AnEeEeE=]] 10 May 2020, 14:20 |
| https://www.youtube.com/playlist?list=PLoROMvodv4rMiGQp3WXShtMGgzqpfVfbU იუთუბზე მაშინ ლერნინგის კურსი დაუაფდეითებია სტენფორდს  |
| Posted by: AnEeEeE=]] 11 May 2020, 22:36 |
| რამაგარია |
| Posted by: Dirac 22 May 2020, 08:59 |
| https://www.deeplearningbook.org/ ამ წიგნის მეექვსე თავს ვკითხულობ. ძალიან კარგია და ყველას ვურჩევ ვისაც ცოტა ღმად უნდა გაიგოს. ონლაინ კურსები პირდაპირ რეცეპტებს გეუბნება. ეს უფრო ღმად მიდის და გიხსნის რატომაა სიგმოიდი კარგი ფუნქცია, რატომ გვინდა სოფტ მაქსი აუთფუთში. |
| Posted by: Do-MaiN 2 Jun 2020, 16:04 |
| vid გამარჯობა . ქოურსერაზე 1 კვირიან ფრი თრაიალში მოვასწრებ ? დღეში 6 საათი დაახლოებით . ასევე ხომ არ გეგულებათ იწიგნი ან ვიდეოები რუსულ ენაზე? ინგლისურზე უკედ რუსულად გავიგებ . პ.ს საქმეში უკვე გარკვეულებმა მომეცით რჩევა , საიდან და როგორ დავიწყო |
| Posted by: vid 2 Jun 2020, 18:12 |
| Do-MaiN ერთ კვირაში დღეში 6 საათს თუ დაუთმობ ბევრს მოასწრებ. ერთ კურსს თავისუფლად, 2-3-ც არ გაგიჭირდება, თუ ძალიან მოინდომე უფრო მეტსაც. დასაწყისისთვის უნდა გადაწყვიტო რომელ პაკეტს იყენებ, ძირითადად არის ორი, გუგლის დაწერილი ტენზორფლოუ და ფეისბუქის პაიტორჩი. თუ წინასწარ იცი ამათგან რომელი დაგჭირდება, ის ისწავლე. თუ არ იცი რომელი გინდა, პაიტორჩი ისწავლე, ეგ უფრო ინტუიტიურია სასწავლად და ადვილი დებაგინგისთვის. საბოლოო ჯამში დიდი მნიშვნელობა არ აქვს რომელს ისწავლი, თუ ერთი გეცოდინება კარგად, მეორეზე გადასვლას 1 დღეში შეძლებ. პაიტორჩს თუ აირჩევ, უდასიტიზე რაც დავდე კურსი ის უფასოა და კარგია. ბოლოს რნნ-ები ცუდადაა ახსნილი ჩემი აზრით, მაგრამ მაქამდე მიდი ჯერ. პროგრამირება (პიტონი) იმედია იცი, თუ არა, მაგით უნდა დაიწყო. რუსულად არ ვიცი, კორსერაზე შეგიძლია ენების მიხედვით მოძებნო და ნახე თუ არი რამე. შენთვის სწავლობ თუ სამსახურში გჭირდება? |
| Posted by: Do-MaiN 3 Jun 2020, 17:38 |
| vid ინტერესის გამო ვსწავლობ . იმიტომ რომ ადრე თუ გვიან წამყვანი სფერო გახდება ყველგან . პითონი არ ვიცი . 10-11 კლასში ვისწავლე ჩემით : HTML PHP CSS MySQL Javascr1pt ახლა 27 ის ვარ , ბევრი აღარაფერი მახსოვს სამწუხაროდ . პითონის სასწავლად რომელ პროგრამას მირჩევ ? პრიორიტეტული არის რუსული ენა . |
| Posted by: vid 3 Jun 2020, 19:57 |
| Do-MaiN https://www.coursera.org/courses?query=python&index=prod_all_products_term_optimization&allLanguages=Russian |
| Posted by: wallman13 8 Jul 2020, 01:53 |
| https://playground.tensorflow.org/#activation=tanh&batchSize=10&dataset=circle®Dataset=reg-plane&learningRate=0.03®ularizationRate=0&noise=20&networkShape=8,2,2,2&seed=0.80896&showTestData=false&discretize=false&percTrainData=50&x=true&y=true&xTimesY=false&xSquared=false&ySquared=false&cosX=false&sinX=false&cosY=false&sinY=false&collectStats=false&problem=classification&initZero=false&hideText=false გავიგე რო ორი ფერის წერტილების ერთმანეთისგან დაცალკევებას ცდილობს და პრაკტიკულად რამეში შეიძლება გამოიყენო? |
| Posted by: Dodecahedron 8 Jul 2020, 13:21 | ||
დაცალკევებას რა, ისეთ კოეფიციენტებს პოულობს ქსელისთვის რიმ არსებულ დატას აღწერდეს, ფუქნციას არგებს, უბრალოდ ეს ორ განზომილებაში წერრტილებზეა(როგორც ვხედავ), სინამდვილეში კი ნებისმიერ პრობლემაზე შეგიძლია განაზოგადო იგივე მეთოდი |
| Posted by: wallman13 9 Jul 2020, 01:02 | ||
Dodecahedron
შეგიძლია რამე მაგალითი მომიყვანო ? |
| Posted by: assassin23 9 Jul 2020, 02:05 |
| ვინც პითონი არ იცის... მისთვის როგორი იქნება სწავლა? |
| Posted by: Dodecahedron 9 Jul 2020, 02:30 | ||||
შევეცდები, არ მაქვს ახსნის კარგი უნარი, შემავალი ნეირონები რომ აქვს X1 და X2 მაგათ ადგილას შეგიძლია რამდენიც გინდა იმდენი ინფუთი გაუკეთო და რა დატაც გინდა აჭამო მაგალითად შეგიძლია X1, X2, X3 ..... და ა.შ. 784 ინფუთი რომ გაუკეთეო შეგეძლება 28x28 ზე შავთეთრი სურათი შეიყვანო ინფუთად, ანუ თითოეული პიქსელის მნიშვნელობა რომ შეიყვანო 28ხ28 სურათის, output ზე შეგიძლია 1 output დასვა რომელიც პირობითად აღნიშნავს ალბათობას იმისა რომ სურათზე არის რაღაც ობიქეტი, ანუ გამოდის რომ ამ ქსელს შეგიძლია მაგ წერტილების მაგვირად სურათები აჭამო(ამ შემთხვევაში 784 პიქსელის მნიშვნელობა) და პასუხი მიიღო კი ან არა(1 ან 0) , მაგალითადა სურათზე კატა არის თუ არა რომ ასწავლო, რეალურად სურათებისთვის სხვა ტიპის ქსელებს იყენებენ რომელიც უფრო ეფექტურია (CNN) მაგრამ ესეც ისწავლის რაღაც დონეზე, გააჩნია დატას და ქსელის პარამეტერებს. მერე შეგიძლია ახალი სურათი მისცე ამ აქსელს ინფუთად და დაგიბრუნებს ალბათობას, კატას რამდენად ამსგავსებს ეს ერთერთი მაგალითია როგორ შეიძLება მუშაობდეს, რას შეიძლება აკეთEბდეს თვითონ ქსელებიც ბევრნაირია  |
| Posted by: Bettoro 10 Jul 2020, 13:53 | ||
| vid რამე ლინკების ბაზა რომ დავდოთ პირველ პოსტში, ჩასწორებების მეშვეობით, მგონი კარგი იქნება Do-MaiN
rutracker-დან გადმოწერე კურსები, ბლომადაა, ძირითადად რუსულად. და თუ ისინი უკვე იცი, რაც დაწერე (განსაკუთრებით ჯავასკრიპტი), მაშინ პაიტონის სწავლა უადვილესი იქნება შენთვის. |
| Posted by: vid 10 Jul 2020, 18:39 |
| Bettoro არ მაქვს ჩასწორების ოპცია. |
| Posted by: wallman13 11 Jul 2020, 13:54 | ||
| Dodecahedron მარა მაგ საიტზე ვერ "ვაჭმევ" ხო რასაც მინდა , ალბათ თვითონ კოდი მინდა რომ ჩემს გემოზე გამოვიყენო?
აი ამას ვერ ვიგებ რა, რო თავიდან არ იწყებს სწავლას და რატო გაძლევს "ნავარჯიშებ" პასუხს. ანუ ეგრევე უნდა მიხვდეს ხო რო კატაა. დაახლოვებით ასე გავიგე რო გადაწყობილია ეგ ნეირონები ისე რო უკვე სწრაფად რეაგირებს მსგავს სურათებზე. მარა ვთქვათ მერე ძაღლი ვასწავლე ,მერე თაგვი და სად ინახება საერთოდ ეგ ინფორმაციაა თუ რაც არის, ეგ "პარამეტრები" რომლებიც იცნობს , არ "ნულდება" მონაცემები ყოველ ჯერზე? პს. შეიძლება უაზრობას ვწერ სორი, ჩემი ტვინის ნეიროქსელს ვავარჯიშებ ცოტა სიღრმისეულად მინდა გავაგებინო ეგ ნეიროქსელები |
| Posted by: Dodecahedron 14 Jul 2020, 12:44 | ||
| wallman13 ახლა ვნახე შენი პასუხი :დ არ წერ უაზრობას ხო მაგ საიტზე ვერა, კოდი გინდა კი მაგრამ ძაან გამარტივებულია ეგ ყველაფერი
გადაწყობილი არაა, მაგრამ კოეფიციენტი აქვს თითოეულ ნეირონს და იმ კოეფიციენტის ცვლილებებით ხდება სწავლა, კოეფიციენტებს ისე ცვლი რომ რეალურად რასაც ასწავლი იმ ფუნქციას მოერგოს, ფუნქციად ითვლება კატების გამოსახულებებიც რაღაც N განზომილებიან(პიქსელების რაოდენობის მიხედვით) სივრცეში :დ რეალურად ნეირონულ ქსელს ნებისმიერი ფუნქცია შეუძლია ისწავლოს თუ შესაბამისად ცვლი ამ კოეფიციენტებს, ამ თეორემის თანახმად: https://en.wikipedia.org/wiki/Universal_approximation_theorem https://www.coursera.org/specializations/deep-learning თავის დროზე ეს კურსი გავიარე და ეს ყველაფერი ახსნილია კარგად, თუ დაინტერესდები |
| Posted by: wallman13 14 Jul 2020, 18:22 | ||||||||
Dodecahedron
ხო მართალია ვარჯიშდებაო ეგრე წერენ, ანუ "ვარჯიშით" დგინდება ეგ კოეფიციენტი როგორც გავიგე.
ეს [ირველად გავიგე - N განზომილებიან(პიქსელების რაოდენობის მიხედვით) სივრცეში
ხო დაახლოებით ეგრე ვხვდებოდი .
არამგონია , მარა ლინკისთვის მადლობა. ისევ ინტერენტს დავივლი , ვიძიუებს და სტატიებს დავძებნი |
| Posted by: Dodecahedron 15 Jul 2020, 02:24 | ||||
იგულისხმება რომ ნებისმიერი რამ რაც რაღAც ინფუთით(სურათი, პიქსელების მნიშვნელობა) გისაზღვრავს რაღაც აუთფუთს არის ფუნქცია თუ ზუსტი დეფინიცია როგორც იყო რა :დდდდდდ |
| Posted by: wallman13 15 Jul 2020, 13:50 |
| ---------------------------------------- კარგი რამე ვნახე google colab . კარგი კი არა მაგარი რამე ჩანს , ბევრი ბიბლიოთეკები აქვსო, აუცილებლად დავტესტავ, ბევრს ფაქტიურად არაფრის კეტება არ გინდა , გამზადებულია ყველაფერი https://www.google.com/search?q=google+colab&oq=goo&aqs=chrome.0.69i59j0l2j69i60l3j69i65l2.1493j1j7&sourceid=chrome&ie=UTF-8 Dodecahedron შენ კი გეცოდინება ალბათ მარა თაგთაგე მაინც , მაინტერესბს რას ფიქრობ |
| Posted by: Dodecahedron 15 Jul 2020, 20:18 |
| wallman13 კი კაი რამეა colab ი, ვიყენებდით ადრე, მგონი k80 ები უდგას GPU, და თვითონ მანქანაზეც გაქვს წვდომა რაღაც დონეზე, რაღაცეებსი გადმოწერა და დაყენება შეგიძლია შენითაც სტუდენტობისას ვჩალიჩობდით რაღაც student project ებს და research paper ებს მაგრამ შარშან დავამთავრე და იმის მერე ჩამოვრჩი სამსახურის მხრივ რომ წავსულიყავი ML ში შეიძლებოდა მარა რავი, ჩემს პონტში მისწორდებაოდა ჩალიჩი, მგონია მუშაობა და სხვისი დავალებების შესრულება არ გამისწორდება |
| Posted by: wallman13 15 Jul 2020, 20:26 | ||||
Dodecahedron
რა გაქვს დამთავრებული ? |
| Posted by: Dodecahedron 15 Jul 2020, 22:42 | ||||||
კომპ. ინჟინერია მეცნიერება არა :დ |
| Posted by: Bettoro 28 Jul 2020, 17:41 |
| LEX FRIDMAN ამ ბიჭს აქვს კარგი პოდკასტი ძალიან AI და Machine learning-ზე https://www.youtube.com/channel/UCSHZKyawb77ixDdsGog4iWA პ.ს. მამამისიც მაგარ ტიპია  |
| Posted by: Dirac 6 Sep 2021, 21:46 |
| აბა ამოვწიოთ ეს თემა. https://d2l.ai/index.html https://www.coursera.org/learn/intro-to-deep-learning/home/welcome ეს კურსი კაია ცოტა ღრმად თუ გინდა გაიგო, მაგრამ რაღა დროს ტენზორფლოუ ერთი არის. ვიდეოები ჩამოვტვირთე და ვისაც გინდათ გაგიზიარებთ. სტატიების კითხვაც სასარგებლოა https://arxiv.org/abs/1506.00019 კერასის გამოყენებაზე სასარგებლო ვიდეო |
| Posted by: sulo 16 Nov 2021, 19:15 |
| ანუ გამოდის ვასწავლოთ ხელოვნურ ინტელექტს....??? ადამიანები როგორ განვავითაროთ ეს უფრო საინტერესო არ იქნებოდა??? თემაში შემოვედი იმ იმედად ადამიანის სრულყოფაზე ვისწავლიდი რამე ახალს და საინტერესოს.????? აქ კი ისევ რკინები დამხვდა... |