Глубокое обучение бывает особенно полезно в таких CV-задачах, когда базовый элемент не несет в себе большого смыслового значения, зато комбинация таких элементов это полезное значение имеет. При этом, говоря о базовом элементе, мы имеем в виду отдельный пиксель изображения, одну частоту сигнала, одну букву или слово.

Умение модели распознавать намерения собеседника, то есть понимать зачем человек совершил то или иное действие, применимо в большом числе прикладных NLP-задач. К примеру, чат-ботам, голосовым помощникам и другим диалоговые системам это позволит эмоционально реагировать на высказывания собеседника, проявлять понимание, сочувствие и другие эмоции. Кроме того, задача распознавания намерения – это еще один шаг на пути к пониманию человеческой речи (human understanding).

Давайте представим, что из некоторого случайного эксперимента, который можно повторять многократно (допустим, подбрасывание монетки или кубика), можно извлечь какую-нибудь формализуемую информацию (как известно, выпадет орел или решка). Эту формализуемую информацию можно назвать элементарным исходом, при этом есть целесообразность рассматривать множество всех элементарных исходов (это множество обычно обозначают буквой Ω (Омега).

Метод опорных векторов (SVM, Support Vector Machines) — хорошо известный алгоритм классификации, создающий разделительную линию между различными категориями данных. Его вычисление можно представить как оптимизацию линии, при которой ближайшие точки в каждой из групп становятся удалены друг от друга в наибольшей степени.

Одним из популярных алгоритмов машинного обучения является Decision Trees (деревья решений). Метод, построенный на его основе, широко используется при решении задач прогнозирования и классификации, причём чаще всего именно для классификации. О нём и поговорим.

Apache Spark —  целостная вычислительная система, включающая в себя набор библиотек для параллельной обработки данных на кластерах компьютеров. Сегодня это активно разрабатываемый и очень полезный инструмент с открытым исходным кодом, который пригодится специалистам, работающим с большими данными. В этой статье мы рассмотрим, почему стоит использовать именно Spark.

Графовые рекомендательные системы показывают state of the art результаты, но про них редко пишут и еще реже используют в продакшене. В этой статье мы расскажем про опыт Одноклассников в применении графового подхода для задачи рекомендации групп, разберем причем тут нейросети и что делать, если не все рекомендации одинаково полезны для пользователей и портала.

Computer Vision – быстро растущая сфера цифровых технологий, затрагивающая множество сторон нашей повседневной жизни. В этой статье мы поговорим об основных тенденциях развития компьютерного зрения с учётом современной реальности.

Компьютерное зрение (Computer Vision) – современная технология и область исследований по автоматизации понимания того, что именно мы видим в окружающем мире. Но автоматизация невозможна без использования соответствующего программного обеспечения. В этой заметке мы перечислим основные современные инструменты, используемые для компьютерного зрения.

В этой статье мы рассмотрим, как в кратчайшие сроки написать Python-скрипт, который пригодится для подсчёта числа книг на изображении. Для работы будем использовать библиотеку алгоритмов компьютерного зрения OpenCV.