Hopp til hovedinnhold

innlegg

Viser innlegg med etikett kunstig intelligens

Eksempler på kunstig intelligens: trafikkinformasjon fra smarttelefonens posisjonsdata

Å forkorte pendling er ikke lett å løse. En enkelt tur kan innebære flere transportformer (dvs. togstasjon, tog til optimal stopp, og deretter gå eller bruke delingstjenesten fra dette stoppet til det endelige målet), for ikke å nevne det forventede og uventede: design; ulykker; vedlikehold av veier eller spor; og værforhold kan begrense trafikkstrømmen med liten eller ingen advarsel. Videre kan det hende at langsiktige trender ikke faller sammen med historiske data, avhengig av befolknings- og demografiske endringer, lokal økonomi og fysisk planlegging. Slik hjelper AI allerede til å adressere kompleksiteten i trafikken.
AI drevet av Google
Ved hjelp av anonyme posisjonsdata fra smarttelefoner kan Google Maps (Maps) analysere hastigheten til enhver tid. Kart kan takke anskaffelse av Waze transport-app Med folkemengdene som ble tildelt i 2013, er det lettere å integrere trafikkmeldinger som konstruksjon og ulykker rapportert av brukere. Tilgang til ...

Orange 3 og visuell programmering

Orange er et flott data mining-verktøy for både nybegynnere og forskere med ekspertdata. Med sitt brukergrensesnitt kan brukere fokusere på å analysere data i stedet for anstrengende koding, noe som forenkler utformingen av komplekse dataanalyserørledninger. Databehandling basert på komponenter I Orange utføres dataanalyse ved å stable komponenter i arbeidsflyter. Hver komponent, kalt en widget, inneholder en oppgave med datainnsamling, forbehandling, visualisering, modellering eller evaluering. Ved å kombinere forskjellige widgeter i en arbeidsflyt kan du lage komplekse dataanalyseskjemaer mens du er på farten. Med et stort widget-bibliotek har du ikke noe valg. Flere widgets er tilgjengelige gjennom tilleggsprogrammer for å gi mer fokusert og tema forskning. Interactive Data ExplorationOrange widgets kommuniserer med hverandre. De mottar inndata og sender filtrerte eller behandlede data, modeller eller noe som widgeten gjør på utdata. La oss si at du starter med en File-widget som leser data og legger ved ...

Orange 3 & Predictions

Viser modellprognoser for data. Input Data: input dataset Predictors: predictors to be use in dataOutputs Forutsigelser: data med spådommer lagt Evalueringsresultater: resultater for klassifiseringsalgoritmer testWidget mottar et sett med data og en eller flere prediktorer (prediktive modeller, ikke læringsalgoritmer - se eksempel nedenfor). Oppretter data og prognoser.
Skriv inn informasjon, nemlig antall saker som skal forutsettes, antall prediktorer og oppgaven (klassifisering eller regresjon). Hvis du har sortert datatabellen etter attributt og vil se den originale visningen, trykker du på Gjenopprett originalbestilling . Du kan velge alternativer for klassifisering. om estimatklasse er avkrysset, gir visningen informasjon om forventet klasse. Hvis sjekket Forventede sannsynligheter for viser utsikten informasjon om sannsynlighetene som er forutsagt av klassifiserere. Du kan også velge den forutsagte klassen som vises i visningen. valget Tegn distribusjonslinjer gir visualisering av sannheter ...

Orange 3 nevralt nettverk

Multilayer perceptron (MLP) algoritme med ryggformering.
innganger Data: input data fileProcessor: forbehandlingsmetoderutganger Student: flerlags læringsalgoritme Modell: trent modellNevrale nettverket Widget bruker Skearn Flerlags perceptronalgoritme som kan lære ikke-lineære modeller så vel som lineære.

Navnet det vises under andre widgeter. Standardnavnet er “Neural Network”. Angi modellparametere: Nevroner på skjult lag: Definert som det i-th elementet representerer antall nevroner i det i-skjulte laget. F.eks Et 3-lags nevralt nettverk kan defineres som 2, 3, 2. Skjulte lagaktiveringsfunksjoner: Identitet: ubetjent aktivering, nyttig for implementering av en lineær flaskehals. -BFGS-B: optimizer i den kvasi-newtonske familienSGD: stokastisk gradientavstigningAdam: stokastisk optimizer basert på ...

Orange 3 - Open source maskinlæring og datavisualisering for nybegynnere og eksperter

Åpen kilde maskinlæring og datavisualisering for nybegynnere og eksperter. Arbeidsflyt med interaktiv dataanalyse med et stort sett med verktøy.
Interaktiv datavisualisering: Utfør enkel dataanalyse med smart datavisualisering. Utforsk statistiske fordelinger, rammekart og spredningskart eller dykk dypere i avgjørelsetrær, hierarkisk sammenfatning, varmekart, MDS og lineære fremskrivninger. Selv dine flerdimensjonale data kan bli 2D-følsomme, spesielt med smart attributtvurdering og valg.
Visuell programmering: Interaktiv dataforskning for rask, kvalitativ analyse med klare visualiseringer. Det grafiske brukergrensesnittet lar deg fokusere på utforskende dataanalyse i stedet for koding, mens smarte standarder gjør det raskt å lage prototyper av arbeidsanalysen for dataanalyse ekstremt enkelt. Plasser widgets på skjermen, koble dem, last inn datasett og få oversikt!
Tilleggsutvidelser utvider funksjonaliteten: Med forskjellige tilbehør tilgjengelig i ...

Eksempel Pix2Pix Edges2 Pikachu

1. Vent til modellen lastes inn. 2. Trykk på musen for å tegne Pikachu på venstre side av lerretet.
3. Pikachu-fargebildet vises automatisk på høyre side av skjermen på omtrent 2 sekunder. Du kan også klikke på "Transfer" -knappen for å generere et nytt bilde. 4. Klikk "Slett" for å slette og tegne lerretet igjen. Ferdig!
Et eksempeleksempel finner du her.

Klassifisering av webcam-bilder og stemmeproduksjon ved hjelp av MobileNet

Klassifisering av bilde fra webkamera og tale- og tekstutgang ved hjelp av MobileNet v eksempel her. Programvaren vil prøve å se hva den ser i webkameraet ditt. Prøv denne prøven med en nettleser og webkamera. Du kan eksempel prøv det her.