Блог компании Cloud4Y
Big Data
Исследования и прогнозы в IT
Машинное обучение
Учебный процесс в IT
19 января

«День знаний» для ИИ: опубликован ТОП30 самых впечатляющих проектов по машинному обучению за прошедший год (v.2018)

Перевод
Оригинал:
Mybridge


Чтобы выбрать ТОП 30 (только 0,3%), за прошедший год команда Mybridge сравнила почти 8800 проектов по машинному обучению с открытым исходным кодом.

Это чрезвычайно конкурентный список, и он содержит лучшие библиотеки с открытым исходным кодом для машинного обучения, наборы данных и приложения, опубликованные в период с января по декабрь 2017 года. Чтобы дать вам представление о качестве проектов, отметим, что среднее число звезд Github — 3558.

Проекты с открытым исходным кодом могут быть полезны не только ученым. Вы можете добавить что-то удивительное поверх ваших существующих проектов. Ознакомьтесь с проектами, которые вы, возможно, пропустили в прошлом году.


Осторожно, под катом много картинок и gif.

1. FastText


fastText – это библиотека для обучения представлениям слов и классификации предложений, позволяющая организовать автоматическое назначение категорий для произвольного текста с использованием методов машинного обучения. [11786 stars on Github]. Любезно предоставлено Facebook Research.



[ Muse: Multilingual Unsupervised or Supervised word Embeddings, на базе Fast Text. 695 stars on Github]



2. Deep Photo Style Transfer


Код и данные для научной работы Deep Photo Style Transfer [9747 stars on Github]. Описан подход к передаче фотографического стиля с одного изображения на другие с успешным подавлением искажения и сохранением фотореалистичности в самых разных сценариях, включая передачу особенностей времени суток, погоды, сезона и художественных изменений. Заслуга Fujun Luan, Ph.D. at Cornell University.



3. Face Recognition


«Самый простой в мире» API для распознавания лиц для Python. Модель имеет точность 99,38% в бенчмарке Labeled Faces in the Wild. Также предлагается простой инструмент, который позволяет распознавать лица с изображений в папке с помощью командной строки. Разработчик — Adam Geitgey [8672 stars on Github].



4. Magenta


Генерация искусства и музыки с помощью машинного обучения [8113 stars on Github].



5. Sonnet


Sonnet — это библиотека для машинного обучения, основанная на TensorFlow для построения сложных нейронных сетей. [5731 звезда на Github]. Предоставлено Malcolm Reynolds из Deepmind



6. deeplearn.js


deeplearn.js — это WebGL-accelerated JavaScript библиотека для машинного обучения с открытым исходным кодом от Nikhil Thorat из Google Brain.



7. Fast Style Transfer in TensorFlow


Быстрая передача стиля с помощью TensorFlow [4843 звезды на Github]. Logan Engstrom из MIT.


Добавьте стили известных художников на любую фотографию за долю секунды! Вы даже можете создавать видеоролики.



8. Pysc2: StarCraft II Learning Environment [3683 stars on Github], предоставлено Timo Ewalds из DeepMind







9. AirSim


AirSim — это симулятор для беспилотных летательных аппаратов, автомобилей и прочих транспортных средств, созданных на Unreal Engine. Это платформа с открытым исходным кодом для физически и визуально реалистичных симуляций. Цель — разработать платформу для исследований ИИ и экспериментов с алгоритмами глубокого обучения, компьютерного зрения и стимулированного обучения систем автономных транспортных средств. [3861 stars on Github]. Разработчик — Shital Shah из Microsoft



10. Facets


Сила машинного обучения связана с его способностью изучать закономерности в больших объемах данных. Понимание ваших данных имеет решающее значение для создания мощной системы машинного обучения. Проект Facets предлагает два надежных типа визуализации, которые помогают понять и проанализировать наборы данных: Facets Overview и Facets Dive.

Визуализация легко встраивается в отчеты Jupyter notebooks или веб-страницы (Polymer web components, backed by Typescript code).

[3371 stars on Github]. Courtesy of Google Brain


Пример отчета FACETS OVERVIEW

11. Style2Paints


AI-раскраска изображений [3310 stars on Github], может раскрасить в соответствии с конкретным цветовым стилем, создать свой собственный стиль для рисования или передать стиль иллюстрации-примера.







12. Tensor2Tensor


Авторы научной работы «Одна модель для обучения всему» из группы Google Brain Team задались естественным вопросом: «Можем ли мы создать унифицированную модель глубинного обучения, которая будет решать задачи из разных областей?»

Google сделала это — и открыла Tensor2Tensor для всеобщего пользования, код опубликован на GitHub. [3087 stars on Github.

В научной статье они описывают архитектуру MultiModel — единой универсальной модели глубинного обучения, которая может одновременно обучаться задачам из разных доменов.


Архитектура MultiModel

В частности, исследователи для проверки обучали MultiModel одновременно на восьми наборах данных:

  • Корпус распознавания речи WSJ
  • База изображений ImageNet
  • База обычных объектов в контексте COCO
  • База парсинга WSJ
  • Корпус перевода с английского на немецкий язык
  • Обратное предыдущему: корпус перевода с немецкого на английский язык
  • Корпус перевода с английского на французский язык
  • Обратное предыдущему: корпус перевода с французского на английский язык

Подробнее тут.

13. Image-to-image translation in PyTorch (например, horse2zebra, edges2cats и так далее)


[2847 stars on Github]. Любезно предоставлено Jun-Yan Zhu, Ph.D at Berkeley



14. Faiss


Faiss — это библиотека для эффективного поиска подобия и кластеризации векторов [2629 stars on Github]. Довольно часто программисты и специалисты из области data science сталкиваются с задачей поиска похожих профилей пользователей или подбора схожей музыки. Решения могут сводиться к преобразованию объектов в векторную форму и поиску ближайших. Подробнее на Хабре.


Дано первое и последнее изображение, алгоритм вычисляет самый «гладкий путь» между ними из YFCC100M (95 миллионов изображений). Взято здесь.

15. Fashion-mnist, Han Xiao, Research Scientist Zalando Tech


Fashion-MNIST [2780 stars on Github] предлагается как замена БД MNIST (сокращение от «Mixed National Institute of Standards and Technology»), так как MNIST слишком прост. Fashion-MNIST имеет одинаковый размер изображений и структуру для обучения и тестирования.

MNIST — объёмная база данных образцов рукописного написания цифр. База данных является стандартом, предложенным Национальным институтом стандартов и технологий США с целью калибрации и сопоставления методов распознавания изображений с помощью машинного обучения в первую очередь на основе нейронных сетей. Данные состоят из заранее подготовленных примеров изображений, на основе которых проводится обучение и тестирование систем. База данных была создана после переработки оригинального набора черно-белых образцов размером 20x20 пикселей NIST. Создатели базы данных NIST, в свою очередь, использовали набор образцов из Бюро переписи населения США, к которому были добавлены ещё тестовые образцы, написанные студентами американских университетов. Образцы из набора NIST были нормализированы, прошли сглаживание и приведены к серому полутоновому изображению размером 28x28 пикселей.

База данных MNIST содержит 60000 изображений для обучения и 10000 изображений для тестирования. Половина образцов для обучения и тестирования были взяты из набора NIST для обучения, а другая половина — из набора NIST для тестирования.

Производились многочисленные попытки достичь минимальной ошибки после обучения по базе данных MNIST, которые обсуждались в научной литературе. Рекордные результаты указывались в публикациях, посвящённых использованию свёрточных нейронных сетей, уровень ошибки был доведён до 0,23 %. Сами создатели базы данных предусмотрели несколько методов тестирования. В оригинальной работе указывается, что использование метода опорных векторов позволяет достичь уровня ошибки 0,8 %.


Fashion-MNIST

16. ParlAI


ParlAI — это основа для обучения и оценки моделей ИИ на наборе данных из множества диалогов [2578 звезд на Github]. Предоставлено Александром Миллером из Facebook Research



17. Fairseq: Facebook AI Research Sequence-to-Sequence Toolkit [2571 stars on Github]


Команда Facebook AI Research (FAIR) опубликовала впечатляющие результаты работы по реализации сверточной нейронной сети для машинного перевода. Она утверждает, что fairseq, новый инструмент, работает в 9 раз быстрее традиционных рекуррентных нейронных сетей, при этом совсем незначительно уступая им в точности.


18. Pyro: Deep universal probabilistic programming with Python and PyTorch [2387 stars on Github]. Courtesy of Uber AI Labs





19. iGAN


Интерактивная генерация изображений [2369 stars on Github].



20. Deep-image-prior


Восстановление изображений с помощью нейронных сетей без обучения [2188 stars on Github]. Предоставлено Дмитрием Ульяновым, Ph.D at Skoltech



21. Face classification and detection from the B-IT-BOTS robotics team


Обнаружение лиц в реальном времени и эмоциональная + гендерная классификация с использованием наборов данных fer2013/IMDB [1967 stars on Github].

Точность гендерной классификации (IMDB): 96%.
Точность классификации эмоций (fer2013): 66%.



22. Speech-to-Text-WaveNet от Namju Kim из Kakao Brain


End-to-end распознование речи на английском языке с использованием DeepMind’s WaveNet and tensorflow [1961 stars on Github].



23. StarGAN: Unified Generative Adversarial Networks for Multi-Domain Image-to-Image Translation [1954 stars on Github]. Yunjey Choi at Korea University






24. Ml-agents: Unity Machine Learning Agents [1658 stars on Github]. Courtesy of Arthur Juliani, Deep Learning at Unity3D


Unity Machine Learning Agents позволяет исследователям и разработчикам создавать игры и имитационные среды для машинного обучения используя Unity Editor с помощью простого в использовании API Python.



25. DeepVideoAnalytics [1494 stars on Github]. Courtesy of Akshay Bhat, Ph.D at Cornell University


Платформа для поиска и аналитики визуальных данных.



26. OpenNMT: Open-Source Neural Machine Translation in Torch [1490 stars on Github].




27. Pix2pixHD: [1283 stars on Github]. Ming-Yu Liu at AI Research Scientist at Nvidia


Pix2pixHD создан для фотореалистичного синтеза или преобразования изображений с высоким разрешением (например, 2048x1024). Его можно использовать для превращения карт семантических меток в фотореалистичные изображения или для синтеза портретов с помощью карты меток лица.



28. Horovod: Distributed training framework for TensorFlow. [1188 stars on Github]. Courtesy of Uber Engineering




29. AI-Blocks [899 stars on Github]


Мощный и интуитивно понятный WYSIWYG-интерфейс, который позволяет любому создавать модели для машинного обучения.



30. Deep neural networks for voice conversion (voice style transfer) in Tensorflow [845 stars on Github]. Dabi Ahn, AI Research at Kakao Brain




Цель проекта — передача стиля голоса или превращения чьего-то голоса в голос конкретного человека. Работа над этим проектом была направлена на преобразование в голос известной английской актрисы Кейт Уинслет.



Дисклеймер
Материалы, приведенные выше, несут исключительно научно-исследовательский характер. Использование результатов для достижения противоправных целей может повлечь за собой уголовную, административную и (или) гражданско-правовую ответственность. Автор не несет ответственность за подобные инциденты.

+31
24,7k 281
Комментарии 4
Похожие публикации
Популярное за сутки