O Machine Learning (Aprendizado de Máquina) está transformando negócios. Mas ainda que a tecnologia avance, as empresas continuam lutando para tirar proveito dela, em grande parte porque não entendem como implementá-la estrategicamente para atender seus objetivos de negócios. O hype em torno da tecnologia não ajudou muito, semeando confusão sobre o que é exatamente a tecnologia, o quão bem funciona e o que pode fazer para sua empresa.
Machine Learning é um subconjunto de Inteligência Artificial que permite que os sistemas aprendam e prevejam resultados sem programação explícita. Muitas vezes, é usado de forma intercambiável com o termo IA porque é a técnica de IA que teve o maior impacto no mundo real até agora, e é o que você provavelmente usará em sua empresa. Chatbots, recomendações de produtos, filtros de spam, carros autônomos e uma enorme variedade de outros sistemas aproveitam o Aprendizado de Máquinas, assim como “agentes inteligentes” .
Em vez de escrever algoritmos e regras que tomem decisões diretamente, ou tentar programar um computador para “ser inteligente” usando conjuntos de regras, exceções e filtros, o Machine Learning ensina sistemas informáticos a tomar decisões aprendendo com grandes conjuntos de dados. Os sistemas baseados em regras rapidamente se tornam frágeis quando precisam explicar a complexidade do mundo real; a Aprendizagem Automática pode criar modelos que representam e generalizam padrões nos dados que você usa para treiná-lo, e pode usar esses modelos para interpretar e analisar novas informações.
O Aprendizado Automático da máquina é adequado para a classificação, que inclui a capacidade de reconhecer texto e objetos em imagens e vídeos, bem como encontrar padrões e associações em dados ou segmentar dados em clusters (por exemplo, encontrar grupos de clientes). O Machine Learning também é adepto da previsão , como o cálculo da probabilidade de eventos ou resultados de previsão. E pode ser usado para gerar dados faltantes; por exemplo, a versão mais recente do CorelDRAW usa a tecniologia para interpolar o curso suave que você está tentando extrair de vários cursos difíceis que você faz com a caneta.
O coração do Machine Learning são os algoritmos. Alguns, como regressões, k-means clustering e suporte de máquinas vetoriais, estão em uso há décadas. A chave para o uso efetivo está na combinação do algoritmo certo com o seu problema.
Se você quer entender o que o Machine Learning faz, o melhor é entrar em contato com ele, através de uma série de soluções já disponíveis. A equipe da Mybridge for Professionals selecionou 30 dias, que listamos a seguir.
1 – FastText: Biblioteca para representação e classificação rápida de texto. Cortesia do Facebook Research.
2 – Deep-photo-styletransfer: Código e dados da ferramenta de transferência de estilo fotográfico. Será que vamos ver algo assim em um Photoshop do futuro? Cortesia da Fujun Luan, Ph.D. at Cornell University.
3 – API de reconhecimento facial mais simples do mundo para Python. Cortesia de Adam Geitgey
4 – Magenta: Geração de Música e Arte com Machine Intelligence
5 – Sonnet: Biblioteca de rede neural baseada em TensorFlow. Cortesia de Malcolm Reynolds, da Deepmind
6 – deeplearn.js: uma biblioteca de código aberto baseada em licença GPU que leva o aprendizado de máquina para a web, permitindo que você treine redes neurais em um navegador (somente o Google Chrome inicialmente) ou execute modelos pré-treinados no modo de inferência. Cortesia de Nikhil Thorat, do Google Brain
7 – Fast Style Transfer no TensorFlow. Cortesia de Logan Engstrom, do MIT
8 – Pysc2: Ambiente de Aprendizagem StarCraft II. Cortesia de Timo Ewalds na DeepMind
9 – AirSim: Simulador de código aberto baseado no Unreal Engine para veículos autônomos, da Microsoft AI & Research. Cortesia de Shital Shah, da Microsoft
10 – Facets: visualizações de conjuntos de dados de aprendizado de máquina [3371 estrelas no Github] . Cortesia do Google Brain
11 – Style2Paints: coloração de imagens por IA.
12 – Tensor2Tensor: O T2T é uma biblioteca de modelos de Deep Learning e conjuntos de dados projetados para tornar o aprendizado profundo mais acessível e acelerar a pesquisa de Machine Learning. É usado e mantido ativamente por pesquisadores e engenheiros da equipe Google Brain e por uma comunidade de usuários. Cortesia de Ryan Sepassi, do Google Brain.
13 – Image-to-image translation em PyTorch (por exemplo, horse2zebra, edges2cats e mais). Cortesia de Jun-Yan Zhu, Ph.D em Berkeley
14 – Faiss: Biblioteca de efficient similarity search e agrupamento de vetores densos. Cortesia do Facebook Research.
15 – Fashion-mnist: Um banco de dados de produtos de moda semelhante ao MNIST . Cortesia de Han Xiao, Pesquisador Cientista da Zalando Tech.
16 – ParlAI: Uma estrutura para treinamento e avaliação de modelos de IA em uma variedade de conjuntos de dados de diálogo disponíveis . Cortesia de Alexander Miller, do Facebook Research.
17 – Fairseq: Sequence-to-Sequence Toolkit do Facebook do Facebook AI Research .
18 – Pyro: Programação probabilística universal profunda com Python e PyTorch. Cortesia de Uber AI Labs
19 – iGAN: Geração interativa de imagens com tecnologia GAN.
20 – Deep-image-previous: Restauração de imagem com redes neurais mas sem aprendizado. Cortesia de Dmitry Ulyanov, Ph.D da Skoltech
21 – Face_classification: Detecção de face em tempo real e classificação de emoção e gênero usando conjuntos de dados fer2013 e imdb com um modelo keras CNN e openCV.
22- Speech-to-Text-WaveNet: Reconhecimento de fala em inglês a nível de sentenças usando WaveNet e Tensorflow. Cortesia de Namju Kim, do Kakao Brain.
23 – StarGAN: Unified Generative Adversary Networks para tradução multi-domínio imagem-imagem. Cortesia de Yunjey Choi, da Korea University
24 – Ml-agents: Unity Machine Learning Agents. Cortesia de Arthur Juliani , Deep Learning na Unity3D
25 – DeepVideoAnalytics: Uma ferramenta de busca visual distribuída e plataforma de análise de dados visuais. Cortesia de Akshay Bhat , Ph.D na Universidade de Cornell
26 – OpenNMT: Open-Source Neural Machine Translation em Torch.
27 – Pix2pixHD: Sintetizador e manipulador de imagens de 2048×1024 com GANs condicionais. Cortesia de Ming-Yu Liu na AI Research Scientist da Nvidia
28 – Horovod: Estrutura de treinamento distribuída para o TensorFlow. Cortesia da Uber Engineering
29 – AI-Blocks: Uma interface WYSIWYG poderosa e intuitiva que permite a qualquer pessoa criar modelos de Machine Learning.
30 – Redes neurais profundas para conversão de voz (transferência de estilo de voz) em Tensorflow. Cortesia de Dabi Ahn , AI Research no Kakao Brain
