Между новостями поделюсь учебным курсом по глубокому обучению, который я сейчас прохожу на EdX. В целом, понятно, что курсов на данную тему уже достаточно много на разных площадках и на разных языках. Если же вы хотите не только понять базовые концепции, но и попробовать на практике CNTK (Microsoft Cognitive Toolkit), то этот курс - то, что вам надо (знание python рекомендуется, но мой опыт показывает, что можно делать упражнения и на здравом смысле при поддержке документации). https://www.edx.org/course/deep-learning-explained-microsoft-dat236x #ai #cntk #education #deep #learning

В MIT Technology Review большая крутейшая статья из Торонто, где сейчас одна из самых горячих точек развития искусственного интеллекта, где работает Geoffrey Hinton, отец глубокого обучения, где все большие американские IT-компании открывают свои офисы и борются за внимание постдоков и профессуру по Data Science. Статья, в частности, о том, что сейчас происходит с глубоким обучением, и почему, несмотря на все инженерные (!) заслуги последних лет, в научном плане мы застряли. https://www.technologyreview.com/s/608911/is-ai-riding-a-one-trick-pony/ #ai #deep #learning #backprop #future

Удивительные вещи происходят в наши дни. Microsoft продолжает партнерство с Amazon (AWS) на почве AI (ранее была интеграция Alexa и Cortana) — только что анонсировали новую библиотеку (хотя это прежде всего спецификация интерфейса) для глубокого обучения - Gluon, совместимый на сегодня с Apache MXNet и скоро с CNTK и позволяющий единообразно описывать модели для обучения и алгоритм тренировки. https://news.microsoft.com/2017/10/12/aws-and-microsoft-announce-gluon-making-deep-learning-accessible-to-all-developers/ #ai #deep #learning #мирдружбажвачка

Учебного в ленту: Tess Ferrandez прошла на Coursera знаменитый курс лекций Andrew Ng по глубокому обучению и сделала очень классный визуальный конспект https://www.slideshare.net/TessFerrandez/notes-from-coursera-deep-learning-courses-by-andrew-ng #ai #deep #learning

p.s. Речь об этом курсе: https://www.deeplearning.ai/

В нескольких американских околонаучных медиа вышла новость о том, что ИИ воссоздал с нуля периодическую систему элементов. Несколько интересных моментов:
1. Группа исследователей из Стэнфорда решила проверить, что будет, если в механике word2vec заменить в учебной выборке предложения на химические формулы, рассматривая отдельные химические элементы, как слова. В результате получился проект Atom2vec. (Анонс: https://news.stanford.edu/press-releases/2018/06/25/ai-recreates-chemistrys-periodic-table-elements)

2. Как следствие, сеточка научилась самостоятельно выводить классы близости элементов, например, предсказывая, что калий и натрий - похожие по свойствам элементы, способные оброзовывать соединения с хлором. Это позволило пиарщикам раструбить мысль о воссоздании периодической системы, что, конечно, не так. Например, Менделееву в свое время хватило ума не только упорядочить известные элементы, но и предположить существование еще не открытых так, где образовывались пробелы.

3. Тем не менее, сама мысль, что простая нейронная сеть может выводить скрытые связи, близость элементов и т.п. просто по анализу существующих наблюдений, очень крута. В случае с химическими элементами сеточка смогла "вывести" наличие нескольких "свойств" атомов -- измерений в многомерных векторах, по которым можно делать группировку элементов. Например, явно выделяются кластеры щелочных и щелочноземельных металлов, или можно наблюдать корреляцию с увеличением валентности элементов. (Технические детали: http://www.pnas.org/content/early/2018/06/25/1801181115)

4. Насколько я могу судить по результатам быстрого поиска, подобные техники начали активно использоваться в том числе для предсказания возможных свойств новых соединений. Вот, например, немецкий проект Mol2vec, направленный как раз на эту задачу: https://github.com/samoturk/mol2vec (кстати, по внешним признакам, кажется, что это очень похоже на американскую работу, но не так распиарено).

5. Также это хорошо согласуется с темой векторного представления различных соединений, белковых последовательностей и т.п. + описания "отпечатков" соединений. См., например, проект Deep Proteomics: https://github.com/ehsanasgari/Deep-Proteomics

#ai #ml #chemistry #biology #genetics #deep #learning