Data Science – это не просто новое модное IT-направление, а наука, которая совсем скоро кардинально изменит наш мир. В статье мы узнаем про 6 крутых проектов в этой сфере.
Человек уже не справляется с обработкой многих видов данных, особенно если речь идет о колоссальных объемах, поэтому в дальнейшем без помощи самообучающегося ИИ нам никак не обойтись.
JS-библиотека для визуализации данных
RoughViz представляет данные в виде картинки, которая выглядит так, будто ее нарисовали от руки.
Вот команда для установки RoughViz:
npm install rough-viz
В репозитории GitHub есть много подробных примеров кода, показывающих, как применять библиотеку. С ее помощью можно сгенерировать линейные графики, гистограмму, кольцевую, круговую и точечную диаграммы.
Простой, легкий и быстрый распознаватель лиц
Пусть вас не смущает описание на китайском языке – оно прекрасно переводится в Google Translate. Зато эта модель детектора лиц весит всего-навсего 1 Мб!
Архитектура, используемая в детекторе, основана на libfacedetection.
Библиотека представлена в двух версиях:
- RFB (более точная)
- slim (шустрая, но попроще)
С такой легковесной библиотекой очень удобно разрабатывать более сложные и совершенные системы компьютерного зрения.
Самая масштабная карта знаний
Теории графов используются во многих научных дисциплинах, в том числе в Data Science. Особенный интерес сейчас вызывают еще не приевшиеся тематические карты, диаграммы концептов и ассоциативные карты.
Этот проект стал своеобразным гигантом среди таких систем. Он был создан в Китае и представляет собой наибольшую из всех существующих карту знаний: число ее узлов превышает 140 миллионов. Содержимое карты имеет расширение csv.
Все данные этого проекта, сгруппированы в тройки моделей вида «Сущность-Атрибут-Значение» и «Сущность-Отношение-Сущность». Простота и размер карты дают уникальную возможность вдоволь поэкспериментировать с разными алгоритмами из теории графов, а также попрактиковаться в обработке огромных объемов данных.
Генерация сложных видео по простым моделям
Vid2vid превращает семантически простой входной ролик в мегареалистичное выходное видео. Фактически нейросеть переносит отличительные черты одной модели на другую. Чтобы лучше понять, о чем идет речь, посмотрите на несколько наглядных примеров использования этой системы:
Сейчас есть два значительных ограничения моделей few-shot vid2vid:
- Для обучения необходимо большое количество данных.
- Модели стремятся обобщать обучающие данные.
Репозиторий GitHub является реализацией vid2vid с использованием PyTorch. Если вы хотите подробнее узнать о возможностях нейросети, ознакомьтесь с научной статьей по ссылке.
Детектор объектов при автономном вождении
Автономное управление автомобилями возможно благодаря технологиям обнаружения объектов. И чтобы эта система была безопасной для участников дорожного движения, она обязана работать быстро и выдавать очень точный результат.
Архитектура детектора Gaussian YOLOv3 обеспечивает высокую точность обнаружения в режиме реального времени, т.е. соответствует главным требованиям к автопилотам.
По сравнению со стандартным YOLOv3, эта версия демонстрирует лучшие значения параметров на датасетах, которые непосредственно связаны с управлением транспортом: KITTI и Berkeley DeepDrive.
Преобразователь текста от Google Research
Разве может Google не попасть в рейтинг новейших достижений? Конечно же, нет. Компания выделяет впечатляющие суммы на развитие многих разновидностей машинного обучения, в том числе глубокого и с подкреплением. К счастью разработчиков всего мира, иногда Google выпускает open source проекты, и у них можно многому поучиться.
Ярким примером подобных решений является Text-to-Text Transfer Transformer или кратко Т5. Идея программы заключается в переносе обучения при обработке естественного человеческого языка. Т5 прекрасно справляется с задачами, которые касаются текста: поиск ответа на вопросы, обобщение, классификация и т.д.
Установить преобразователя для Python можно с помощью системы pip:
pip install t5[gcp]
