Sex timmar så gott som på minuten från Boston till San Francisco i natten i ett halvfullt plan utan mellanlandningar.
Bilderna visar inflygningen in över Silicon Valley vid midnatt
Horns Honk, and Censors in China Get a Headache – The New York Times https://t.co/2mTczvH6FX
— USABloggen (@USABloggen) April 16, 2018
Som alla diktaturer gillar den den kinesiska regimen inte att folk skapar sociala nätverk, speciellt inte om dessa träffas i levande livet och dessutom skämtar och stojar.
Raymond Zhong, Paul Mozur och Iris Zhao skriver i New York Times: Horns Honk, and Censors in China Get a Headache
Läs fortsättningen här
Yann LeCun, Director of AI Research på Facebook pratar om Deep Learning. Han är själv känd för sin roll i utvecklingen av de idag så populära Convolutional Neural Networks.
En Neuronnätsexpert man bör känna till.
The difference between AI, Machine Learning, and Deep Learning#AI #MachineLearning #DeepLearning #BigData #Fintech #Insurtech #DataScience #ML #DL #tech https://t.co/536UTtT2E3 pic.twitter.com/KUIpl93RR8
— AI (@DeepLearn007) April 11, 2018
Ett sätt att skilja mellan de tre koncepten är att AI är en s.k. paraplyterm som bl.a. består ML och DL. Och DL är en del av ML som sysslar med att bygga komplicerade saker som förarlösa bilar, robotar och diagnoser av sjukdomar i röntgenbilder, medan ML sysslar med något “enklare” problem som rekommendationer på Amazon och liknande.
Intervju med Jeff Dean, Google Senior Fellow i dess Forskningsgrupp där han leder I Google Brain projektet. Dean är en av Silicon Valleys allra viktigaste ledare på AI och ML.
Viktig källa för Maskinlärning och AI.
Nästan allt handlar om Convolutional Neural Networks.
Vet inte vad det blir på svenska.
The differences between #MachineLearning, #ArtificalIntelligence & #DeepLearning
☁️ #AI #BigData #DataScience #Analytics #ML #Python pic.twitter.com/T6k5goV8e5— Mike Delgado ❤️ (@mikedelgado) April 6, 2018
Bra snabböversikt. Och Djuplärning är mer komplicerad mee mer komplicerade neuronnät. Så om vi tänker komplicerade AI-lösningar som förarlösa bilar så har vi svaret.
Well you're about to find out.
"I think the notion that only big internet companies have enough data to do deep learning is not actually correct."
– John Giannandrea (Head of Machine Learning and A.I. at Apple) pic.twitter.com/Y3iKabZQKI— scott (@agilethumbs) April 7, 2018
Apples försök att hämta in på Googles och Facebooks försprång på AI-området hänger nu på des nye AI-chef John Giannandrea. Så vad han har att säga är utomordentligt viktigt.
GitHub – CheXNet-Keras | Deep_In_Depth: Deep Learning, ML & DS https://t.co/8KHRR7mcdd
— Deep_In_Depth (@Deep_In_Depth) March 2, 2018
#AICommunity
IF you want a good example of using AI for reading images, then the ChexNet example is a good one:https://t.co/SnQmVnS7ve
BUT – read the commentary:https://t.co/r5HHiAcXYJ
The paper doesn't do what it says it does, because of weaknesses in the data— Matt Williams (@matthwilliams) March 20, 2018
Artificiell Intelligens, som omfattar Maskinlärning, Djuplärning, Neuronnät och många andra teknologier utvecklas idag i allt snabbare takt. Så snabbt att experter har börjat tala om medborgarlön som en nödvändighet för att förhindra massarbetslöshet under de närmaste decennierna, allteftersom AI tar över all större delar av arbetslivet.
Ett bra exempel på hotet är ett projekt från Stanforduniversitetet, tillsammans med Berkeley ett av världens ledande forskningsuniversitet på AI-området:CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rays with Deep Learning.
Läs fortsättningen här
Machine Learning in Finance – Present and Future Applications#AI #MachineLearning #DeepLearning #BigData #Fintech #Insurtech #Datascience #Marketing #ML #DL #CyberSecurity #banking #martech #tech https://t.co/bgm9d5pB9N pic.twitter.com/tuvcL1C2xa
— AI (@DeepLearn007) April 5, 2018
Möjligheten att skapa en modell genom att tagga, dvs att märka eller sätta etiketter på existerande data och sen träna upp ett neuronnät för att skapa en djupinlärings-modell blir enklare. Fortfarande en uppgift som kräver en eller flera datavetenskapsmän, men ändå ett steg i rätt riktning.
Läs fortsättningen här