NLP Terapan, Tantangan dalam RL, Penelitian Tercanggih, dan banyak lagi! – Menuju AI — Teknologi, Sains, dan Teknik Terbaik

Penulis: Menuju Tim AI

Berita AI, penelitian, pembaruan, pertemuan NLP yang menarik dan gratis dengan pembicara top, dan pilihan editorial bulanan kami!

Jika Anda kesulitan membaca email ini, lihat di browser web.

Pemrosesan bahasa alami terapan (Applied NLP) menjadi topik yang sangat hangat di komunitas pembelajaran mesin, dan untuk alasan yang bagus. Ini telah muncul sebagai subdisiplin penting di bidang kecerdasan buatan (AI), dan alasan utamanya dapat diringkas dalam satu kalimat: Kami tenggelam dalam data tidak terstruktur — teks, dokumen, artikel, posting blog, email, dan banyak lagi — dan kebanyakan dari mereka ditulis dalam bahasa alami. Tujuan NLP adalah untuk membangun sistem komputer yang dapat memahami dan memperoleh makna dari bahasa manusia untuk meningkatkan berbagai aplikasi. NLP telah menjadi inti dari banyak penelitian dan aplikasi mutakhir baru-baru ini, dan salah satu tempat terbaik untuk menyelami NLP terapan adalah KTT NLP, yang dipresentasikan oleh John Snow Labs:

Daftar Sekarang Gratis

Bergabunglah dengan NLP Summit: dua minggu konten imersif yang berfokus pada industri. Minggu pertama akan mencakup lebih dari 50 sesi unik, dengan trek khusus tentang NLP di Healthcare. Minggu kedua akan menampilkan lokakarya pelatihan pemula hingga lanjutan dengan sertifikasi. Anda akan mendengar dari tim yang memimpin ruang NLP di NASA, Vonage, Zillow, Merck, Amazon, Walmart Labs, Booz Allen Hamilton, Morgan Stanley, Salesforce, Roku, Zillow, dan banyak lagi! Untuk informasi lebih lanjut, termasuk pembicara yang dikonfirmasi, lihat NLP Summit 2021. Pendaftaran gratis diperlukan untuk mengamankan akses Anda ke keynote, sesi breakout dari para pemimpin industri, Q&A dengan pembicara, datathon, obrolan kopi, dan banyak lagi. Daftar sekarang gratis.

Bagaimana kita menarik dan mempertahankan yang terbaik dan tercerdas? Posting oleh Divyansh Kaushik dan Caleb Watney ini menyelami masalah mendasar. Bagaimana mendukung mahasiswa dan pengusaha internasional dalam perekonomian kita untuk terus menjadikan AS sebagai pusat inovasi dan terus menarik imigran yang sangat terampil.

Jika Anda tertarik pada pendekatan pengawasan lemah dan pelabelan terprogram yang menarik, kami menyarankan Anda untuk membaca “Cara Menggunakan Snorkel untuk Membuat Aplikasi AI”, di mana Kepala Teknologi dan Co-founder Snorkel AI, Braden Hancock, menyelami sejarah dan metode tercanggih yang mendorong Snorkel menjadi raksasa seperti sekarang ini—mulai dalam ranah OSS dan bergerak menuju melayani beberapa perusahaan Fortune 500 paling terkemuka di dunia.

Sekarang, mari kita hadapi itu. Sistem AI seringkali buram, aneh, dan menantang untuk digunakan. Di bidang pembelajaran mesin, ini sangat benar. Jadi, jika kita ingin membuat sistem cerdas yang dapat dipahami dan berinteraksi dengan orang — dengan lebih efisien, bagian penting dari solusinya adalah komunitas tempat orang dapat berkumpul, berbagi ide, dan belajar dari satu sama lain. Itulah sebabnya kami menciptakan komunitas AI kami di Discord — untuk terhubung dan belajar dengan pakar dan penggemar data lainnya.

Minecraft menghadirkan lingkungan yang unik, dan orang-orang di MineRL telah bekerja keras untuk mengalahkan Minecraft menggunakan pembelajaran mesin yang canggih. Jika Anda belum melakukannya, lihat pekerjaan mereka dan cara terlibat — sebagian besar pekerjaan mereka adalah OSS.

Salah satu hal paling keren yang diluncurkan baru-baru ini adalah Habitat oleh Facebook AI, yang bertujuan membantu para peneliti dan praktisi mengatasi batas berikutnya dalam AI yang diwujudkan dengan memungkinkan agen dilatih di lingkungan interaktif dengan kecepatan yang jauh lebih cepat daripada pendahulunya.

Selain itu, Github baru-baru ini meluncurkan Copilot, aplikasi AI yang didukung oleh OpenAI yang menerjemahkan bahasa alami ke dalam kode, dan Codex, sumber kekuatan bahasa alami, akan terintegrasi dengan aplikasi pada akhir Musim Panas melalui API. Dengan Copilot, pengembang bisa mendapatkan saran kode untuk seluruh baris dan kadang-kadang seluruh fungsi langsung di dalam editor saat Anda pergi, dan meskipun mungkin menyajikan bias, itu akan sangat berguna untuk aplikasi berbasis non-bias. Untuk proof-of-concept yang lebih lugas namun kuat yang mirip dengan Copilot, lihat OSS CoderX oleh Carnegie Mellon Professor Graham Neubig.

Berbagi adalah peduli. Jangan ragu untuk membagikan buletin atau tautan berlangganan kami dengan teman, kolega, dan kenalan Anda. Satu email per bulan; berhenti berlangganan kapan saja! Juga, jika Anda memiliki umpan balik tentang bagaimana kami dapat meningkatkan, jangan ragu untuk memberi tahu kami.

Sekarang ke pilihan bulanan! Kami memilih artikel-artikel ini berdasarkan pembaca, penggemar, dan pandangan yang didapat dari karya tertentu. Kami harap Anda menikmati membacanya sama seperti kami. Juga, kami mulai melakukan sesuatu yang baru! Kami akan memilih artikel berkinerja terbaik kami, dan editor kami akan memilih beberapa esai yang tidak memiliki kinerja luar biasa, tetapi karena kualitasnya — mereka berhasil untuk bulan ini.

Artikel unggulan pilihan editor bulan ini

Facebook Meluncurkan Salah Satu Tantangan Pembelajaran Penguatan Terberat dalam Sejarah oleh Jesus Rodriguez

Pembelajaran penguatan (RL) telah menjadi pusat dari beberapa pencapaian paling mengesankan dalam kecerdasan buatan (AI) dalam dekade terakhir. Dari AlphaGo DeepMind yang terkenal hingga tonggak sejarah di StarCraft II, Dota 2, atau Minecraft, RL tetap menjadi salah satu area dengan pertumbuhan tercepat di ruang pembelajaran mendalam. Namun, terlepas dari semua kesuksesannya, Facebook AI Research(FAIR) percaya bahwa RL perlu didorong ke level baru, dan, untuk itu, mereka mengalihkan perhatian mereka ke game baru: NetHack.

Komunitas AI Terbaik untuk Penggemar Kecerdasan Buatan (AI) oleh Menuju Tim AI

Begitu Anda mulai menjelajahi bidang kecerdasan buatan dan pembelajaran mesin, Anda akan menyadari bahwa ada banyak hal yang harus dipelajari. Ada berbagai grup dan komunitas online tempat para ahli berbagi wawasan mereka tentang algoritme AI, masalah dalam AI, ML, visi komputer, dan sebagainya. Diskusi ini mengarah pada pengembangan ide dan solusi baru, yang pada akhirnya akan membantu komunitas AI tumbuh lebih kuat. Artikel ini akan membahas beberapa kiat yang dapat ditindaklanjuti yang membantu mengidentifikasi grup dan komunitas online yang baik.

Bagaimana Cara Membaca Lebih Banyak Makalah Penelitian? oleh Louis Bouchard

Dua tahun lalu, saya harus membaca makalah penelitian pertama saya. Saya ingat betapa tua tampilannya dan betapa mengecilkan hati matematika di dalamnya. Itu benar-benar terlihat seperti apa yang para peneliti kerjakan di film. Kertas itu berasal dari tahun 1950-an, tetapi tidak banyak berubah sejak saat itu. Maju cepat hingga hari ini, saya mendapatkan banyak pengalaman membacanya setelah membaca beberapa ratus makalah pada tahun lalu mencoba mengikuti berita dalam visi komputer. Namun, saya tahu betapa luar biasanya membaca pertama, terutama membaca pertama makalah penelitian pertama Anda. Inilah mengapa saya merasa ingin membagikan tip terbaik dan alat praktis yang saya gunakan setiap hari untuk menyederhanakan hidup saya dan menjadi lebih efisien ketika mencari makalah penelitian yang menarik dan membacanya.

Bagaimana Saya Berubah Dari Sarjana yang Bingung Menjadi Insinyur Pembelajaran Mesin yang Berpengalaman oleh Arunn Thevapalan

Sudah sebulan di magang rekayasa perangkat lunak saya, dan yang saya inginkan hanyalah berhenti. Bayangkan ini. Anda mengantongi magang di unit R&D salah satu bank terbesar di negara ini. Anda mendapatkan paparan siklus hidup pengembangan perangkat lunak ujung ke ujung bersama dengan protokol keamanan yang canggih. Sederhananya, ini adalah salah satu pengalaman terbaik yang bisa diminta oleh sarjana ilmu komputer. Teman-teman saya mengklaim saya harus diberkati dan beruntung. Namun, saya tidak tahu apa yang saya lakukan.

Pahami Dasar-dasar CNN dengan Contoh Keras dengan Python oleh Amit Chauhan

Pada artikel ini, kami akan mencoba mengimplementasikan model CNN dasar dengan framework Keras. Manfaat dari convolutional neural network adalah mengurangi atau meminimalkan dimensi dan parameter gambar dengan mempertahankan informasi yang maksimal sehingga proses pelatihan menjadi cepat dan membutuhkan daya komputasi yang lebih sedikit.

7 Tahapan Mempersiapkan Data Untuk Pembelajaran Mesin

7 Tahapan Mempersiapkan Data Untuk Pembelajaran Mesin oleh Abhay Parashar

Anda mungkin sudah tahu bahwa data adalah kunci untuk tugas pembelajaran mesin apa pun. Pada awalnya, kami memiliki data yang diambil ke algoritme yang menemukan beberapa pola dan informasi berharga dari data dan menyimpan semua pembelajaran dalam sebuah model. Jadi pembelajaran mesin dimulai dengan data. Namun, sebelum mengambil data ke dalam algoritme pembelajaran mesin, kita perlu mengambil beberapa langkah untuk menyiapkan data untuk pemodelan.

Mengapa Dunia Kecerdasan Buatan Memasuki Musim Dingin oleh mer zgür

Dunia Artificial Intelligence biasanya memiliki dua iklim, musim semi dan musim dingin. Kecerdasan buatan terkadang tak terhindarkan memasuki musim dingin, tetapi seringkali menjadi lebih kuat dan dihidupkan kembali. Di dunia kecerdasan buatan, iklim musim dingin dan awal musim semi dialami mirip dengan musim. Masuknya zaman es menunjukkan kegagalan prediksi jangka panjang manusia dan terlalu yakin tentang beberapa masalah.

A Primer pada Node.js oleh Balakrishnakumar V

Node adalah lingkungan runtime untuk mengeksekusi kode JavaScript di luar browser. Ini sering digunakan untuk membangun layanan back-end seperti API, yang mendukung aplikasi Web, aplikasi Seluler, dll. Ini juga sangat cepat dan sangat skalabel selama lingkungan produksi. Selain fasilitas seperti itu dapat dibangun dengan cepat, membutuhkan lebih sedikit baris kode dibandingkan dengan layanan backend lainnya, file yang lebih sedikit, dapat menangani lebih banyak permintaan, dan memberikan waktu respons yang lebih cepat.

Cara Mensimulasikan Masalah Probabilitas Kontra-Intuitif Paling Terkenal — menggunakan Python oleh Dasaradh S K

Baru-baru ini saya menemukan teka-teki Monty Hall yang kontra-intuitif. Awalnya, saya terkejut dengan jawabannya dan tidak yakin. Namun, ketika saya akhirnya memahaminya, saya bahkan lebih terkejut, yang mengubah intuisi saya untuk Probabilitas. Saya harap artikel ini akan membantu Anda memahami Probabilitas dan Statistik dengan lebih baik.

Cara Membuat Aplikasi Penganalisis Profil Instagram Menggunakan Python Dan Streamlit oleh Billy Bonaros

Streamlit adalah perpustakaan hebat yang membantu kami membuat aplikasi python dengan sedikit usaha. Tidak hanya mudah, tetapi UI-nya cantik dan terlihat cukup profesional. Ide kami untuk posting ini adalah untuk membuat Dashboard Instagram yang memiliki beberapa statistik deskriptif tentang profil pengguna seperti hashtag yang paling sering, dan posting yang paling disukai, tingkat keterlibatan, dll. Kami membutuhkan aplikasi yang memasukkan nama pengguna dan akan mengikis informasinya dari Instagram untuk mengembalikan Dashboard terakhir.

Metrik Pelacakan Multi-Objek oleh Amrith Coumaran

Proses evaluasi adalah salah satu langkah terpenting dalam membangun Model Machine Learning. Terutama dalam hal deteksi real-time plus sistem pelacakan. Aplikasi Computer Vision dalam pelacakan menjadi semakin populer dalam pengawasan, Analisis Olahraga, Kendaraan otonom, dll. Jadi, mengevaluasi model Anda akan menjadi tugas yang paling menantang sebelum Anda menerapkannya. Hari ini, mari kita lihat sekumpulan metrik yang mengevaluasi sistem pelacakan Anda dan memberi Anda pemahaman yang lebih baik tentang model Anda.

Perjalanan ke Ilmu Data adalah Marathon, Bukan Sprint oleh Benjamin Obi Tayo Ph.D.

Saya telah melihat banyak posting, buku, atau iklan tentang belajar ilmu data dalam 4 minggu atau satu tahun. Meskipun dimungkinkan untuk mempelajari dasar-dasar (pengetahuan kotak hitam) ilmu data dalam waktu singkat, dibutuhkan lebih banyak untuk menguasai aspek teoretis dan praktis ilmu data. Bisa dikatakan, perjalanan menjadi seorang data scientist bisa dianalogikan dengan maraton, bukan sprint.

Kurangnya Kumpulan Data Benchmark Visi Komputer yang Baik Adalah Masalah — Mari Perbaiki Itu! oleh Kristina Arezina

Data sering kali berada di antara proyek pembelajaran mesin visi komputer yang canggih dan hanya eksperimen lain. Sayangnya, tidak ada standar industri yang diadopsi secara luas untuk memilih tolok ukur terbaik dan paling relevan.

🙏 Terima kasih telah menjadi pelanggan Towards AI! 🙏

Ikuti kami

[ Facebook ] |[ Twitter ]| [ Instagram ]| [ LinkedIn ] | [ Github ] | [ Google News ]

NLP Terapan, Tantangan dalam RL, Penelitian Tercanggih, dan banyak lagi! awalnya diterbitkan di Towards AI on Medium, di mana orang-orang melanjutkan percakapan dengan menyoroti dan menanggapi cerita ini.

Diterbitkan melalui Menuju AI

About The Author