Привет!
Регистрация в самом разгаре, а пока пришло время рассказать про первую лекцию курса. Пожалуйста, если вы собираетесь на лекцию, отметьте это здесь: https://forms.gle/eKp6JzcT4T8t775SA.
Мы хотим быть уверены, что в аудитории хватит места.

Лекцию прочитает Михаил Бурцев — руководитель проекта iPavlov, заведующий лабораторией нейронных систем и глубокого обучения МФТИ, кандидат физико-математических наук.

На лекции вы узнаете про место нейронных сетей в современном мире. Лаборатория Михаила является передовой в области искусственного интеллекта и регулярно публикуется на конференциях самого высокого уровня. Один из проектов лаборатории — iPavlov — продвигает open-source библиотеку для разработки диалоговых агентов, чтобы каждый желающий мог сделать собственную Алису, или добавить в существующую новые навыки. Мы надеемся, что кто-то из Вас решит после прохождения нашего курса, попробовать побороться с ИИ в лаборатории у Михаила.

Кроме того, мы проведем небольшую сессию вопросов и ответов с Михаилом, на которой вы узнаете, как далеко осталось искусственному интеллекту до завоевания мира.

❗️А сразу после лекции состоится небольшое организационное собрание, связанное с началом курса.

🗓 20 сентября
⌚️ 18:30
🏛 Центре исследований и разработки компании 1С, Дмитровское шоссе, 9

Важные ссылки

Все актуальные новости мы прежде всего размещаем в группе ВК: https://vk.com/dlschool_mipt
Практически все занятия, которые Вы будете проходить, есть на нашем YouTube-канале
Курс полностью выложен и описан в официальном Github-репозитории: https://github.com/DLSchool/deep_learning_2018-19
Чат базового потока: https://yangx.top/dls_fall2019_basic
Чат продвинутого потока: https://yangx.top/dls_fall2019_advanced

С уважением,
Команда Deep Learning School

PASS CMU DEEP LEARNING COURSE TOGETHER
https://dlcmu.datagym.ru/

Книга о том, как сгенерировать данные для машинного обучения с помощью параметрической модели, созданной с помощью Houdini и Unity, и оценить параметры этой модели с помощью keras + tenorflow
https://techbookfest.org/event/tbf07/circle/5912756913963008

Procedural Cities with Houdini and Python
This Houdini course covers a feature film approach to procedural city generation. It takes you from start to finish, building your knowledge of Python from the ground up, from elementary to advanced examples, and many other techniques along the way.
https://www.pluralsight.com/courses/houdini-python-procedural-cities#

Machine Learning on Houdini with TensorFlow
https://qiita.com/takavfx/items/f27cd76604e902199c9d

Zaha Hadid, GAN

Самый мягкий и пушистый путь в Machine Learning
https://gist.github.com/obenjiro/26b6e387e6798d30de0051293133b4d4

В OpenAI нейросети научились играть в прятки

OpenAI провела исследование о возможностях глубокого обучения искусственного интеллекта. Нейросети не только научились играть в прятки по заданному разработчиками сценарию, но и самосовершенствовались в ходе игры, осваивая все новые и новые методы поиска и умения скрываться.

OpenAI опубликовала данные исследования о возможностях глубокого обучения искусственного интеллекта. Играя в простую игру прятки, нейросети постепенно осваивали все новые и новые действия, которые помогали им развивать их умение скрываться от противника и более быстро и эффективно искать.

Изначально существовало две команды противников (синие и красные человечки). Начиналось исследование с хаотичного бега двух команд, которые «прятались» и «находились» буквально случайным образом. С каждой новой игрой каждая команда набиралась опыта и начинала усложнять процесс игры.

Всего было проведено 481 млн игр, за время которых искусственный интеллект самостоятельно научился использовать дополнительные объекты на поле игры — например, закрывать «коробками» проемы помещения, где они прячутся; использовать эти же коробки для того, чтобы преодолеть высокое заграждение и заглянуть за него в поисках противника; или двигать рампу в нужное место, чтобы перепрыгнуть препятствие.

Источник: OpenAI

https://www.youtube.com/watch?v=kopoLzvh5jY