Как обучить нейросеть и оценить результаты ее работы
Алгоритмы машинного обучения прошли долгий путь от понятного инструмента к «чёрному ящику» — порой их создателям сложно объяснить, почему модель выдает тот или иной результат. Однако это важно понимать, чтобы более эффективно обучать нейросети и взаимодействовать с ними. В подкасте «Есть задача», который N + 1 делает вместе с Yandex Research, мы рассказываем, зачем исследовать работу ML-моделей и сравнивать их друг с другом.
Машинное обучение помогает нам в самых разных ситуациях: обработать фотографию, определиться с досуг,ом узнать погоду, диагностировать рак и многое другое. Впрочем, несмотря на внушительные успехи, это очень молодая область, где нерешенными остаются фундаментальные задачи. О том, над чем сегодня работают специалисты в ML, мы говорим в «Есть задача» — совместном проекте Yandex Research и N + 1.
О том, как «думают» нейросети, мы рассказывали в мультфильме. А для тех, кто хочет подробнее узнать об истории развития нейросетей и изучении их логики, мы подготовили материал «Внимание, черный ящик».
Подкаст также можно слушать на Apple Podcasts и Google Подкастах.
Павлос Лагудакис — о том, как ускорить вычисления каплями жидкого света
Впервые о поляритонах — сложных квазичастицах, состоящих из экситонов и связанных с ними фотонов — заговорили еще в середине XX века. Но технологии, в которых удалось бы использовать плюсы совмещения в одной частице фотонной и электронной составляющих, стали развиваться около двадцати лет назад. Лауреат премии «ВЫЗОВ», профессор Сколковского института науки и технологий Павлос Лагудакис рассказал N + 1 о том, что это за частицы, когда нам ждать суперкомпьютеров с поляритонным ускорением и каков его собственный вклад в поляритонику.