Как учится машина. Революция в области нейронных сетей и глубокого обучения - Ян Лекун
Как учится машина. Революция в области нейронных сетей и глубокого обучения читать книгу онлайн
Мы живем во время революции, еще 50 лет назад казавшейся невероятной, – революции в области умных машин, которые теперь обучаются самостоятельно, вместо того чтобы просто выполнять запрограммированные команды. И возможности таких машин огромны: распознавание изображений, лиц и голосов, переводы на сотни языков, беспилотное управление автомобилями, обнаружение опухолей на медицинских снимках и многое другое.
Автор книги Ян Лекун стоит у истоков этой революции. Лауреат премии Тьюринга, профессор Нью-Йоркского университета и руководитель фундаментальными исследованиями в Facebook, он является одним из изобретателей глубокого обучения, применяемого к так называемым искусственным нейронным сетям, архитектура и функционирование которых вдохновлены устройством человеческого мозга. В своей книге он, не прибегая к метафорам, делится своим научным подходом на стыке компьютерных наук и нейробиологии, проливая свет на будущее искусственного интеллекта, связанные с ним проблемы и перспективы.
Сегодня искусственный интеллект действительно меняет все наше общество. Эта понятная и доступная книга перенесет вас в самое сердце машины, открывая новый увлекательный мир, который уже является нашей реальностью.
112
Steve El-Sharawy, Facebook algorithm: How the shift in engagement can favour newsrooms, Global Editors Network Newsletter, 5 February 2019.
113
Luca Mediavilla, Mark Zuckerberg. l'lys.e vendredi pour rencontrer Emmanuel Macron., Les Échos, 7 mai 2019.
114
Brent Harris, Bilan du d.bat global et commentaires propos du Conseil de surveillance sur les politiques de contenu de Facebook et leur application, Newsroom, 27 juin 2019.
115
Mark Zuckerberg, A privacy-focused vision for social networking, Facebook, 6 march 2019.
116
См. Главу 6.
117
В черно-белом изображении размером 1000 × 1000 пикселей, где каждый пиксель может принимать 256 значений, существует 256 ** 10 000 000 возможных конфигураций пикселей. Это число из 24 миллионов цифр! Обучающий набор из 1 миллиарда примеров охватывает лишь очень малую его часть.
118
См. Главу 7, рисунок 7.9.
119
См. главу 7, «Архитектура „больших“ приложений: автономный автомобиль».
120
Сédric Villani, Donner un sens à l'intelligence artificielle. Pour une stratégie européenne, mars 2018, https://www.ladocumentationfrancaise.fr/var/storage/rapports-publics/184000159.pdf.
121
Emmanuel Dupoux, http://www.fscp.net/persons/dupoux.
122
Ian Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio. Generative adversarial nets, Advances in Neural Information Processing Systems, 2014, p. 2672–2680.
123
Alec Radford, Luke Metz, Soumith Chintala, Unsupervised representation learning with deep convolutional generative adversarial networks, ICLR2015, arXiv:1511.06434.
124
Michael Mathieu, Camille Couprie, Yann LeCun, Deep multi-scale video prediction beyond mean square error, ICLR2016, arXiv:1511.05440.
125
Othman Sbai, Mohamed Elhoseiny, Antoine Bordes, Yann LeCun, Camille Couprie, DesIGN: Design inspiration from generative networks, ECCV Workshops, 2018, arXiv: 1804.00921.
126
Tero Karras, Timo Aila, Samuli Laine, Jaakko Lehtinen, Progressive Growing of GANS for Improved Quality, Stability and Variation, ICLR2018, https://openreview.net/forum?id=HK99zCeAB.
127
Daniel Kahneman, Système 1 / Système 2. Les deux vitesses de la pensée, Flammarion, 2011.
128
Базальные ганглии – это основные структуры мозга, отвечающие за эмоции и мотивацию.
129
Mikael Henaff, Alfredo Canziani, Yann LeCun, Model-predictive policy learning with uncertainty regularization for driving in dense traffic, ICLR2019. Vid.o explicative: https://youtu.be/X2s7gy3wlYw et https://openreview.net/forum?id=HygQBn0cYm.
130
https://cs.stanford.edu/people/jcjohns/clevr/.
131
Ronghang Hu, Jacob Andreas, Marcus Rohrbach, Trevor Darrell, Kate Saenko, Learning to reason: End-to-end module networks for visual question answering, ICCV 2017, http://openaccess.thecvf.com/content_iccv_2017/html/Hu_Learning_to_Reason_ICCV_2017_paper.html.
132
Группа правительственных экспертов по автономным системам оружия летального действия (АСОЛД), 2018 г.,
https://www.unog.ch/__80256ee600585943.nsf/(httpPages)/7c335e71dfcb29d1c1258243003e8724 OpenDocument и ExpandSection = 3.
133
https://www.partnershiponai.org/.
134
Julia Angwin, Jeff Larson, Surya Mattu et Lauren Kirchner, «Machine bias», https://www.propublica.org/article/machine-bias-risk-assessments-in-criminal-sentencing.
135
См. Главу 7, «Встраивание контента и измерение сходства».
136
Файрвол (англ. firewall, противопожарный вал или стена, брандмауэр) в сетевых технологиях – межсетевой экран, т. е. комплекс аппаратных или программных средств для изоляции частей сети.
137
«Основные научные революции объединяет то, что все они сбросили человеческое высокомерие с пьедесталов извечной уверенности о нашем центральном положении в космосе.» Зигмунд Фрейд, цитата взята из книги Stephen Jay Gould «Origin, stability, and extinction», Dinosaur in a Haystack: Reflections in Natural History, Harmony Books, 1995, часть 3, глава 13.
138
Kevin Hartnett, «To build truly intelligent machines, teach them cause and effect», Quanta Magazine, 15 mai 2018, https://www.quantamagazine.org/to-build-truly-intelligent-machines-teach-them-cause-and-effect-20180515/.
139
Nick Bostrom, Superintelligence. Paths, Dangers, Strategies, Oxford University Press, 2014; trad. fr: Superintelligence. Quand les machines surpasseront l'intelligence humaine, Dunod, 2017.
140
По мнению многих исследователей проблемы, вызванные развитием телевидения, интернета и социальных сетей, не только не решены, а еще находятся далеко от пика своего отрицательного воздействия.
141
Jitendra Sharma, Alessandra Angelucci, Mriganka Sur. Induction of visual orientation modules in auditory cortex, Nature, 2000, 404 (6780), p. 841.
142
Stanislas Dehaene, Yann Le Cun, Jacques Girardon, La Plus Belle Histoirede l'intelligence, Robert Laffont, 2018.
