Sto lavorando su un progetto di deep learning in Python, ma sto avendo problemi nella fase di addestramento Sei un esperto in deep learning con anni di esperienza. Puoi aiutarmi ad addestrare il mio modello di deep learning utilizzando (libreria di deep learning preferita Sei un esperto in deep learning con forti skill in CNN. Puoi aiutarmi ad implementare una CNN utilizzando (libreria di deep learning preferita) per analizzare

Il flusso delle immagini generate attraverso AI (Artificial Intelligence) sta inondando il web e pare inarrestabile. Una stima quantitativa precisa del fenomeno non esiste ma si parla di diversi milioni di immagini generate e pubblicate solo negli ultimi sei mesi (da Agosto 2022 a Febbraio 2023). Gli strumenti per la generazione di immagini basati su AI si susseguono a ritmi incalzanti, senza precedenti neanche per il settore della tecnologia avanzata. DALLE-2, MidJourney, Stable Diffusion sono solo alcuni tra i nomi più celebri balzati agli onori della ribalta nel giro di pochi mesi. C’è chi parla oramai di un nuovo settore dell’Arte figurativa: l’AI Art, cioè l’arte di immagini generate attraverso AI. Si può, però, definire vera Arte l’AI Art? Il dibattito sulla questione è accesissimo e non sorprende. Il mondo dell’arte è stato letteralmente preso d’assalto e, per alcuni, rischia di essere travolto. Molte sono le accuse rivolte all’AI Art [1] ma la più importante riguarda il fatto che nella generazione di immagini manchi un vero sforzo artistico. Basta scrivere un testo (detto “prompt”) in cui si definisce che cosa si vuol ottenere e lo strumento genera automaticamente l’immagine. Ben altro sforzo rispetto a dipingere un quadro su una tela! A questa accusa si può, in prima battuta, rispondere ricordando che anche Charles Baudelaire aveva mosso una simile obiezione nei confronti della fotografia nel celebre “Salon de 1859” [2]. Anzi Baudelaire era stato ben più feroce dei detrattori della AI Art di oggi: “Se si consentirà alla fotografia di servire da supplemento all’arte in qualcuna delle sue funzioni, questa sarà soppiantata e corrotta, grazie anche alla stupidità delle moltitudini che sono il naturale alleato della fotografia ”. Per fortuna, niente di quanto vaticinato da Baudelaire è accaduto ma, anzi, l’Arte, liberata dalla necessità di rappresentare pedissequamente la Realtà, ha potuto esprimersi in movimenti come l’Impressionismo o il Surrealismo [3]. La questione del “basso sforzo” è, poi, un mito che ci proponiamo di sfatare attraverso una descrizione minuziosa (quasi scientifica) del processo di generazione di una immagine artistica. Come viene generata la AI Art Per comprendere quanta parte abbia l’essere umano nel processo di generazione di un’immagine artistica usando la “Artificial Intelligence (AI)” conviene far riferimento a uno schema semplice ma veritiero su come si svolge il processo di generazione (Fig. 1). Figura 1 – Il processo di generazione di una immagine artistica usando AI In pratica il processo di generazione è la ripetizione di una interazione tra umano e modello (la componente di AI): Dall’umano al modello attraverso un prompt e qualche altro parametro (prompt + params); Dal modello all’umano attraverso una immagine-risultato (image-response). Se l’immagine-risultato non corrisponde all’idea che l’umano trova soddisfacente (esteticamente, come fedeltà di rappresentazione) l’input verso il modello è cambiato e il processo si ripete finché non si giunge a un’immagine soddisfacente. Che cosa c’è dentro il modello? Dentro il modello c’è uno spazio latente (multimodal latent space) formato da parole e feature di immagini, cioè c’è uno spazio latente multimodale. Questo spazio latente multimodale è stato allestito attraverso il “training” del modello usando un dataset di parole e corrispondenti immagini. Si osserva che sia le parole che le immagini provengono da altri umani attraverso le opere degli artisti, del passato e del presente, e attraverso la descrizione delle opere. Dal punto di vista del modello quando l’umano inserisce un input (prompt+params) si determina una posizione dentro lo spazio latente e da quella posizione con un determinato algoritmo si sintetizza un’immagine, combinando le feature delle immagini nei pressi del punto determinato dal prompt. L’umano, dunque, è, in pratica, un esploratore dello spazio latente del modello. La pratica di generazione mostra come esistono zone produttive (miniere) e zone improduttive (deserto). Talvolta l’umano intercetta una miniera con prompt improbabili o non attinenti con l’argomento del prompt. C’è una certa dose di casualità nel processo di generazione che corrisponde alla casualità di alcune tecniche pittoriche moderne. Che cosa c’è dentro l’umano? Nell’umano c’è, essenzialmente un Idea dell’opera che si vuol realizzare. Da un punto di vista antropologico l’umano è un insieme complesso, dotato di una densità misteriosa, non conoscibile completamente. Anche l’Idea dell’umano può cambiare nel corso del processo di generazione di un’immagine. In base alla immagine-risultato l’umano può cambiare idea. Per esempio perché si è costatata l’impossibilità di produrre un’immagine che corrisponda in modo soddisfacente all’Idea o, semplicemente, perché il risultato-immagine ha fatto nascere un’idea migliore di quella originale. Il processo di generazione di un’immagine da parte dell’umano è quindi un processo creativo non deterministico. Sappiamo, poi, che anche la creatività umana non è infinita ma è delimitata da archetipi universali, come ha sottolineato Jung [4]. Tuttavia anche nella generazione con AI si possono riconoscere gli stili dei diversi umani che prediligono certi temi e certe aree dello spazio latente invece che altre. In fondo, anche in un’opera d’arte tradizionale è sempre un’idea che guida l’artista. Si pensi allo stile di Michelangelo Buonarroti: uomini, donne e bambini sono, essenzialmente, “eroi” nerboruti (V. Tondo Doni, Fig. 2). Figura 2 – il Tondo Doni di Michelangelo Post-produzione Una volta che l’umano abbia ottenuto una immagine-risultato soddisfacente sono possibili altre operazioni successive: inpainting – Si tolgono dall’immagine alcuni elementi attraverso l’AI; outpainting – Si aggiungono nuovi elementi all’immagine tramite AI; Photoshop – Si effettuano delle correzioni usando un editor di immagini; ri-mediazione attraverso la pittura – L’immagine è stampata, ad esempio su tela, e l’artista umano prende colori e pennelli per cambiare l’immagine stampata; altre elaborazioni – L’umano può decidere di generare un video dall’immagine, aggiungere una colonna sonora, creare dei rumori o, addirittura, degli odori. Questo mette in luce il fatto che un’opera d’arte può essere ottenuta con l’AI ma non solo. L’Arte è qualcosa di più complesso e libero della semplice AI. Insomma, È Vera Arte? Per noi la risposta è netta e chiara: è vera Arte! Per alcuni questa affermazione può essere uno shock ma, per onestà, questa nuova realtà non si può negare. È chiaro che con l’AI la manualità non conta. Non si prendono in mano pennello e colori ma il processo creativo che si compie è fortemente umano. Anche la componente casuale con cui viene generata un’immagine non toglie nulla al processo artistico, come mostra tanta parte di Arte del Novecento. Comunque, a parte i ragionamenti, le polemiche e, talvolta, anche le elucubrazioni alla fine ciò che conta è il giudizio finale, è la percezione di un utente finale che valuta, secondo il suo giudizio soggettivo, il valore estetico dell’opera. Si riporta una serie di opere generate dall’autore di questo articolo senza commento (Fig. 3-6). Ognuno giudichi da solo. Per saperne di più sull’Intelligenza Artificiale e le sue applicazioni nel mondo dell'arte, vi invito a visitare il sito web di Mathema, l’azienda di cui sono CEO, e di seguirci sulla nostra pagina Linkedin ufficiale. Riferimenti [1] Ennio Bianco, “E’ Arte o non è Arte, è Arte o non è Arte, …”, 2022 [2] Charles Baudelaire, Salon de 1859 [3] Cathy Reisenwitz, "Artist Ellen Maidman-Tanner on why AI is actually good for art" [4] M. Mazzeschi, "Why AI can generate art we can understand: a Jungian approach"

Da quando MyHeritage ha lanciato il suo strumento Deep Nostalgia, che rianima i morti con la tecnologia Abbiamo dato a Deep Nostalgia una foto di Einstein. Deep Nostalgia AI fa progressi esponenziali Pochi direbbero che un'animazione realistica di antenati Alimentato tramite un algoritmo di deep learning creato da D-ID, Deep Nostalgia ha fornito a molti utenti

Gli strumenti di generazione di video AI utilizzano tecniche di deep learning e natural language processing Inoltre, poiché utilizzano tecniche di deep learning, sono in grado di analizzare il testo e creare video

Questo lo rende molto più potente, grazie al Machine Learning.

di Perceptron, ad ogni iterazione i pesi ( w ) vengono aggiornati utilizzando l'equazione: w = w + learning_rate * (expected - predicted) * x Dove w è il peso in fase di ottimizzazione, learning_rate è un tasso di Puoi saperne di più su questo set di dati nel repository UCI Machine Learning . che senza un input in quanto non è associato a un valore di input specifico: bias(t+1) = bias(t) + learning_rate Applicare la tecnica ad altri problemi di classificazione nel repository di machine learning UCI.

Raccontare una storia con i dati è una funzione fondamentale per qualsiasi Data Scientist e creare visualizzazioni di dati che siano allo stesso tempo illuminanti e accattivanti può essere difficile. Questo tutorial esamina come creare grafici Plotly e Bokeh direttamente tramite la sintassi di plottaggio Pandas, che ti aiuterà a convertire le visualizzazioni statiche in controparti interattive e portare la tua analisi al livello successivo. L'esplorazione dei dati è di gran lunga uno degli aspetti più importanti di qualsiasi attività di analisi dei dati. Il sondaggio iniziale e i controlli preliminari che eseguiamo, utilizzando il vasto catalogo di strumenti di visualizzazione, ci forniscono informazioni utili sulla natura dei dati. Tuttavia, la scelta dello strumento di visualizzazione a volte è più complicata del compito stesso. Da un lato, abbiamo librerie che sono più facili da usare ma non sono così utili per mostrare relazioni complesse nei dati. Poi ce ne sono altri che rendono interattività ma hanno una notevole curva di apprendimento. Fortunatamente, sono state create alcune librerie open source che cercano di affrontare questo punto dolente in modo efficace. In questo articolo, esamineremo due di queste librerie, ovvero pandas_bokeh e cufflinks. Impareremo come creare grafici di trama e bokeh con la sintassi di base per la trama dei panda, con cui tutti ci sentiamo a nostro agio. Poiché l'enfasi dell'articolo è sulla sintassi piuttosto che sui tipi di grafici, ci limiteremo ai cinque grafici di base, ovvero grafici a linee, grafici a barre, istogrammi, grafici a dispersione e grafici a torta. Creeremo ciascuno di questi grafici prima con la libreria di grafica panda e poi li ricreeremo in bokeh. Lavoreremo con il set di dati NIFTY-50 . L'indice NIFTY 50 è il punto di riferimento della Borsa nazionale indiana per il mercato azionario indiano. Il set di dati è apertamente disponibile su Kaggle , ma utilizzeremo un sottoinsieme dei dati contenente il valore delle azioni di soli quattro settori, ovvero banca, farmaceutica, IT e FMCG. Importiamo le librerie e il set di dati necessari allo scopo di visualizzazione: # Importiamo le lebrerie import pandas as pd import numpy as np import pandas_bokeh import matplotlib.pyplot as plt %matplotlib inline Ora andiamo a caricare il nostro set di dati e lo prepariamo per creare prima i nostri grafici statitici e solo dopo li andremo a rendere dinamici e interattivi . # Carichiamo e leggiamo i dati nifty_data = pd.read_csv('/content/drive/MyDrive/NIFTY_data_2020.csv',parse_dates=["Date"],index_col='Date') nifty_data.head() nifty_data_resample = nifty_data.resample(rule = 'M').mean() nifty_data_resample Ora creiamo i soliti grafici con MatPlotLib. nifty_data.plot(title='Nifty Index values in 2020', xlabel = 'Values', figsize=(10,6) ); nifty_data.plot(kind='scatter', x='NIFTY FMCG index', y='NIFTY Bank index', title = 'Scatter Plot for NIFTY Index values in 2020', figsize=(10,6)); nifty_data[['NIFTY FMCG index','NIFTY Bank index']].plot(kind='hist',figsize=(9,6), bins=30); nifty_data_resample.plot(kind='bar',figsize=(10,6)); nifty_data_resample.index=['Jan','Feb','March','Apr','May','June','July'] nifty_data_resample['NIFTY Bank index'].plot.pie(legend=False, figsize=(10,6),autopct='%.1f'); Il risultato sarà questo Ma ora inizia il divertimento, rendiamo dinamici questi grafici con pandas_bokeh Per prima cosa installiamo la libreria !pip install pandas-bokeh #googlecolab pip install pandas-bokeh #python2 pip3 install pandas-bokeh #python3 Importiamo la libreria e ricarichiamo i dati # Importiamo le lebrerie import pandas as pd import numpy as np import pandas_bokeh import matplotlib.pyplot as plt %matplotlib inline # Carichiamo e leggiamo i dati nifty_data = pd.read_csv('/content/drive/MyDrive/NIFTY_data_2020.csv',parse_dates=["Date"],index_col='Date') nifty_data_resample = nifty_data.resample(rule = 'M').mean() Ora creiamo i grafici dinamici e interattivi : nifty_data.plot_bokeh(kind='line') #nifty_data.plot_bokeh.line() nifty_data.plot_bokeh.scatter(x='NIFTY FMCG index', y='NIFTY Bank index'); nifty_data[['NIFTY FMCG index','NIFTY Bank index']].plot_bokeh(kind='hist', bins=30); nifty_data_resample.plot_bokeh(kind='bar'); nifty_data_resample.plot_bokeh(kind='barh',stacked=True); nifty_data_resample.index=['Jan','Feb','March','Apr','May','June','July'] nifty_data_resample.plot_bokeh.pie(y ='NIFTY Bank index') nifty_data_resample.plot_bokeh.pie() Il risultato finale sarà questo qui sotto. Per poter visualizzare e interagire con i grafici, clicca su Open in Colab ! Grazie mille per la lettura

Lavora su progetti di machine learning e deep learning per apprendere nuove competenze e aumentare le per potenziare il tuo curriculum : Degradazione dell'mRNA utilizzando il modello di Deep Learning Il Puoi trovare più progetti simili online e persino creare la tua architettura di deep learning per prevedere per potenziare il tuo curriculum : Previsione del prezzo delle azioni tramite Deep Learning La previsione tramite Deep Learning è un'idea di progetto popolare e imparerai molte cose sull'analisi dei dati di

al tuo obiettivo è addentrarsi nei campi del data science e del deep learning. solide fondamenta di data science e deep learning. Senza un'accurata preparazione, anche il miglior modello di deep learning fallirà. Una volta pronti i dati, è il momento di addentrarsi nelle architetture di deep learning. Ma il deep learning non è tutto.

Introduzione alle Reti Neurali nel Trading Negli articoli precedenti : Machine Learning per il trading creare un modello ARIMA in Python per le previsioni di Trading Modelli AUTOARIMA e ARCH di Machine Learning Cercheremo tuttavia di semplificare la parte introduttiva per tuffarci nel Deep Learning alla ricerche Questo “9” standard é quello che, in un processo di “supervised” machine learning, chiamiamo etichetta Parliamo di Deep Leanring quando il numero di layer sono piu’ di uno.

Il "fine-tune" è un'arte intrigante nel mondo del deep learning, un'approccio al transfer learning in

Scopriamo insieme un sottosezione di machine learning (ML) chiamata Tiny Machine Learning (TinyML), che TinyML è un tipo di machine learning che riduce le reti di deep learning per adattarle a hardware minuscolo a bassissima potenza stanno invadendo il nostro mondo e, con i nuovi framework embedded di machine learning Che cos'è Tiny Machine Learning o TinyML? Un esempio di TinyML Learning Kit.

comprendere gli embedding, dobbiamo prima comprendere i requisiti di base di un modello di machine learning caratteristica rende gli embedding estremamente utili per ottimizzare i risultati dei modelli di machine learning Un modo comune per creare un embedding richiede di impostare prima un problema di machine learning supervisionato Da allora, gli embedding si sono ritrovati nei sistemi di machine learning di produzione in una varietà L'Hub di Embedding I sistemi di machine learning che utilizzano un embedding necessitano di un tipo di

Il CEO di Tesla Elon Musk ha rivelato un prototipo di un robot umanoide "Optimus" che condivide alcuni software e sensori di intelligenza artificiale con le funzionalità di assistenza alla guida del pilota automatico delle sue auto. Prima di continuare la lettura ti lasciamo al video della presentazione : Il primo prototipo Tesla bot Secondo Musk, questo prototipo può fare più di quello che è stato mostrato dal vivo, ma la prima volta che ha operato senza un legame è stata stasera sul palco. Musk ha previsto che potrebbe raggiungere un prezzo di probabilmente meno di $ 20.000 e più tardi, in una sessione di domande e risposte, ha spiegato che Tesla è molto brava a costruire l'IA e gli attuatori necessari per la robotica sulla base dell'esperienza di produzione di unità motrici per auto elettriche. Musk ha affermato che ciò lo aiuterebbe a mettere in produzione robot capaci e iniziare testandoli all'interno delle sue fabbriche. Ha affermato che la differenza tra il design di Tesla e altre "dimostrazioni di robot umanoidi molto impressionanti" è che l'Optimus di Tesla è fatto per la produzione di massa in "milioni" di unità e per essere molto capace. Mentre ha detto ciò, un team di lavoratori ha spostato un prototipo non deambulante dietro di lui. Il prototipo presentato inizialmente è un Optimus decostruito che Tesla chiama "Bumble C" che camminava in avanti e faceva una mossa di danza . Musk ha ammesso che volevano tenerlo al sicuro, non fare troppe mosse sul palco e farlo "cadere a terra". (Meglio evitare un altro incidente come con il Cybertruck, se possibile.) Successivamente, l'azienda ha mostrato alcuni video clip del robot che svolgeva altre attività come raccogliere scatole. Quindi il team di Tesla ha tirato fuori un altro prototipo che mostrava una versione molto vicina alla produzione di Optimus con il suo corpo completamente assemblato ma non completamente funzionante: era tenuto in piedi su un supporto e salutato il pubblico, mostrando la gamma di movimento del suo polso e mano. Il futuro del Tesla Bot Hanno rivelato che il robot iniziale presentato è stato sviluppato negli ultimi sei mesi. Discutendo gli ostacoli che devono affrontare per passare dal prototipo a un progetto funzionante, gli ingegneri sperano di eliminare ulteriori ostacoli alla progettazione "entro i prossimi mesi... o anni". Specifiche tecniche del prototipo Tesla Bot Contiene una batteria da 2,3 kWh, funziona con un SoC Tesla e dispone di connettività Wi-Fi e LTE. Le dimostrazioni incentrate sull'affrontare le articolazioni del robot, come le mani, i polsi o le ginocchia, hanno mostrato come elaboravano i dati per ciascuna articolazione, quindi hanno cercato le aree comuni in ogni progetto per trovare un metodo utilizzando solo sei diversi attuatori. Le mani simili a quelle umane sono un design biologicamente ispirato che secondo gli ingegneri le renderà più adatte a raccogliere oggetti di varie forme e dimensioni, tenere una borsa da 20 punti e avere una "presa di precisione" su piccole parti. Il software Autopilot di Tesla è stato spostato dalle sue auto al bot e riorganizzato per funzionare nel nuovo corpo e ambiente. "Sarà una trasformazione fondamentale per la civiltà come la conosciamo" ha detto Musk. Continua a dire che Optimus ha il potenziale di "due ordini di grandezza" di potenziale miglioramento della produzione economica. Musk ha annunciato per la prima volta il "Tesla Bot" all'AI Day dell'anno scorso, promettendo che sarebbe stato "amichevole" e potenzialmente avrebbe rivoluzionato la catena di montaggio e l'attività di produzione dell'azienda. Musk aveva avvertito i suoi fan di non aspettarsi che il prototipo assomigli al rendering lucido in bianco e nero mostrato per la prima volta all'evento dell'anno scorso. Quello nell'immagine qui sotto: Ma non è mancato il clamore, con Musk che ha definito il robot "lo sviluppo di prodotto più importante che stiamo facendo quest'anno" e prevedendo che avrà il potenziale per essere più significativo del settore dei veicoli nel tempo. Le applicazioni future potrebbero includere la cucina, il giardinaggio o persino i partner sessuali ; Musk ha affermato che la produzione potrebbe iniziare il prossimo anno. Nei giorni che hanno preceduto l'AI Day, gli esperti di robotica hanno messo in guardia dal comprare troppo nelle affermazioni di Musk. Hanno notato che altre aziende sono molto più avanti nello sviluppo di robot in grado di camminare, correre e persino saltare, ma nessuna afferma di essere vicina alla sostituzione del lavoro umano. La storia di Tesla è disseminata di idee fantasiose che non hanno mai avuto successo, come una rete di Supercharger a energia solare , lo scambio di batterie o caricatori robotici a forma di serpente, quindi nessuno sa se un Tesla Bot pronto per la produzione vedrà mai la luce del giorno . Ma l'azienda è dov'è oggi grazie alla pura volontà di Musk. Tesla bot è progettato per il lavoro manuale Quando ha annunciato il Tesla Bot all'ultimo AI Day, Musk ha affermato che il robot assumerà compiti pericolosi, noiosi e ripetitivi dagli umani. In futuro, "il lavoro fisico sarà una scelta", ha detto Musk. Il robot potrà camminare a 5 mph. Avrà uno schermo montato sul viso che mostrerà "informazioni utili" e sarà in grado di sollevare 150 libbre, ha detto Tesla. Una delle prime applicazioni per i robot Tesla sarà nelle fabbriche automobilistiche dell'azienda. Anche tu potrai comprarti un Tesla bot Ad aprile, Musk ha previsto che il Tesla Bot sarà disponibile per i consumatori in meno di 10 anni. Sarà in grado di svolgere compiti domestici come riordinare, preparare la cena, falciare il prato, fare la spesa e prendersi cura dei membri anziani della famiglia, ha detto Musk. Quando sarà ampiamente disponibile, costerà "meno di un'auto", secondo Musk. Quiz sul Tesla bot :

intelligenza artificiale generativa ha fatto passi da gigante negli ultimi anni, grazie ai progressi nel deep learning e nella computer vision.