Apple is attending the 33rd Conference and Workshop on Neural Information Processing Systems (NeurIPS) this December. The conference, of which Apple is a Diamond Sponsor, will take place in Vancouver, Canada from December 8th to 14th.
https://machinelearning.apple.com/2019/12/02/apple-at-neurips-2019.html
🔗 Apple at NeurIPS 2019 - Apple
Apple Machine Learning Journal publishes posts written by Apple engineers about their work using machine learning technologies to help build innovative products for millions of people around the world.
https://machinelearning.apple.com/2019/12/02/apple-at-neurips-2019.html
🔗 Apple at NeurIPS 2019 - Apple
Apple Machine Learning Journal publishes posts written by Apple engineers about their work using machine learning technologies to help build innovative products for millions of people around the world.
Apple Machine Learning Journal
Apple at NeurIPS 2019 - Apple
Apple Machine Learning Journal publishes posts written by Apple engineers about their work using machine learning technologies to help build innovative products for millions of people around the world.
Data visualization with Python Using Seaborn and Plotly_ GDP per Capita & Life Expectency Dataset
🔗 Data visualization with Python Using Seaborn and Plotly_ GDP per Capita & Life Expectency Dataset
when social and economy science speak in harmony with data science.
🔗 Data visualization with Python Using Seaborn and Plotly_ GDP per Capita & Life Expectency Dataset
when social and economy science speak in harmony with data science.
Medium
Data visualization with Python Using Seaborn and Plotly_ GDP per Capita & Life Expectency Dataset
when social and economy science speak in harmony with data science.
Программирование на языке Python для сбора и анализа данных
Лекция №1: Первое знакомство
Лекция №2: Списки и цикл for
Лекция №3: Ввод-вывод списков и проверка условий
Лекция №4: Функции
Лекция №5: Словари, списковые включения
Лекция №6. Сортировка. Форматирование строк
Лекция №7: Указатели. Множества. Строки. Файлы
Лекция №8. Извлечение данных из веб-страниц
Лекция №9: Работа с открытыми API с помощью XML
Лекция №10. JSON и API. Управление браузером в RoboBrowser и Selenium
#video #python
🎥 Лекция №1: первое знакомство
👁 1 раз ⏳ 2902 сек.
🎥 Лекция №2: Списки и цикл for
👁 1 раз ⏳ 4009 сек.
🎥 Лекция №3: ввод-вывод списков и проверка условий
👁 1 раз ⏳ 4227 сек.
🎥 Лекция №4: функции
👁 1 раз ⏳ 4247 сек.
🎥 Лекция №5: словари, списковые включения
👁 1 раз ⏳ 2632 сек.
🎥 Лекция №6. Сортировка. Форматирование строк
👁 1 раз ⏳ 3229 сек.
🎥 Лекция №7: Указатели. Множества. Строки. Файлы
👁 1 раз ⏳ 3848 сек.
🎥 Лекция 8. Извлечение данных из веб-страниц
👁 1 раз ⏳ 3044 сек.
🎥 Лекция №9: Работа с открытыми API с помощью XML
👁 1 раз ⏳ 1458 сек.
🎥 Лекция №10. JSON и API. Управление браузером в RoboBrowser и Selenium
👁 1 раз ⏳ 3341 сек.
Лекция №1: Первое знакомство
Лекция №2: Списки и цикл for
Лекция №3: Ввод-вывод списков и проверка условий
Лекция №4: Функции
Лекция №5: Словари, списковые включения
Лекция №6. Сортировка. Форматирование строк
Лекция №7: Указатели. Множества. Строки. Файлы
Лекция №8. Извлечение данных из веб-страниц
Лекция №9: Работа с открытыми API с помощью XML
Лекция №10. JSON и API. Управление браузером в RoboBrowser и Selenium
#video #python
🎥 Лекция №1: первое знакомство
👁 1 раз ⏳ 2902 сек.
Курс «Программирование на языке Python для сбора и анализа данных», НИУ ВШЭ, 2015-16 учебный год, лектор Илья Щуров. Лекция №1: первое знакомство.
...🎥 Лекция №2: Списки и цикл for
👁 1 раз ⏳ 4009 сек.
Курс «Программирование на языке Python для сбора и анализа данных», НИУ ВШЭ, 2015-16 учебный год, лектор Илья Щуров. Лекция №2: Списки и цикл for, ...🎥 Лекция №3: ввод-вывод списков и проверка условий
👁 1 раз ⏳ 4227 сек.
Курс «Программирование на языке Python для сбора и анализа данных», НИУ ВШЭ, 2015-16 учебный год, лектор Илья Щуров. Лекция №3: ввод-вывод списков ...🎥 Лекция №4: функции
👁 1 раз ⏳ 4247 сек.
Курс «Программирование на языке Python для сбора и анализа данных», НИУ ВШЭ, 2015-16 учебный год, лектор Илья Щуров. Лекция №4: функции, 24 октября...🎥 Лекция №5: словари, списковые включения
👁 1 раз ⏳ 2632 сек.
Курс «Программирование на языке Python для сбора и анализа данных», НИУ ВШЭ, 2015-16 учебный год, лектор Илья Щуров. Лекция №5: Словари. Списковые ...🎥 Лекция №6. Сортировка. Форматирование строк
👁 1 раз ⏳ 3229 сек.
Курс «Программирование на языке Python для сбора и анализа данных», НИУ ВШЭ, 2015-16 учебный год, лектор Илья Щуров. Лекция №6: Сортировка. Формати...🎥 Лекция №7: Указатели. Множества. Строки. Файлы
👁 1 раз ⏳ 3848 сек.
Курс «Программирование на языке Python для сбора и анализа данных», НИУ ВШЭ, 2015-16 учебный год, лектор Илья Щуров. Лекция №7: Указатели. Множест...🎥 Лекция 8. Извлечение данных из веб-страниц
👁 1 раз ⏳ 3044 сек.
Курс «Программирование на языке Python для сбора и анализа данных», НИУ ВШЭ, 2015-16 учебный год, лектор Илья Щуров. Лекция №8: Извлечение данных ...🎥 Лекция №9: Работа с открытыми API с помощью XML
👁 1 раз ⏳ 1458 сек.
Курс «Программирование на языке Python для сбора и анализа данных», НИУ ВШЭ, 2015-16 учебный год, лектор Илья Щуров. Лекция №9: Работа с открытыми ...🎥 Лекция №10. JSON и API. Управление браузером в RoboBrowser и Selenium
👁 1 раз ⏳ 3341 сек.
Курс «Программирование на языке Python для сбора и анализа данных», НИУ ВШЭ, 2015-16 учебный год, лектор Илья Щуров. Лекция №10: JSON и API. Управл...Vk
Лекция №1: первое знакомство
Курс «Программирование на языке Python для сбора и анализа данных», НИУ ВШЭ, 2015-16 учебный год, лектор Илья Щуров. Лекция №1: первое знакомство. ...
Self-Supervised Learning of Pretext-Invariant Representations
https://arxiv.org/abs/1912.01991
🔗 Self-Supervised Learning of Pretext-Invariant Representations
The goal of self-supervised learning from images is to construct image representations that are semantically meaningful via pretext tasks that do not require semantic annotations for a large training set of images. Many pretext tasks lead to representations that are covariant with image transformations. We argue that, instead, semantic representations ought to be invariant under such transformations. Specifically, we develop Pretext-Invariant Representation Learning (PIRL, pronounced as "pearl") that learns invariant representations based on pretext tasks. We use PIRL with a commonly used pretext task that involves solving jigsaw puzzles. We find that PIRL substantially improves the semantic quality of the learned image representations. Our approach sets a new state-of-the-art in self-supervised learning from images on several popular benchmarks for self-supervised learning. Despite being unsupervised, PIRL outperforms supervised pre-training in learning image representations for object detection. A
https://arxiv.org/abs/1912.01991
🔗 Self-Supervised Learning of Pretext-Invariant Representations
The goal of self-supervised learning from images is to construct image representations that are semantically meaningful via pretext tasks that do not require semantic annotations for a large training set of images. Many pretext tasks lead to representations that are covariant with image transformations. We argue that, instead, semantic representations ought to be invariant under such transformations. Specifically, we develop Pretext-Invariant Representation Learning (PIRL, pronounced as "pearl") that learns invariant representations based on pretext tasks. We use PIRL with a commonly used pretext task that involves solving jigsaw puzzles. We find that PIRL substantially improves the semantic quality of the learned image representations. Our approach sets a new state-of-the-art in self-supervised learning from images on several popular benchmarks for self-supervised learning. Despite being unsupervised, PIRL outperforms supervised pre-training in learning image representations for object detection. A
🎥 Applications of machine learning in monitoring, verification and identification, by Robert Trafford
👁 1 раз ⏳ 754 сек.
👁 1 раз ⏳ 754 сек.
2019 New Shape Forum: Weapons Governance - Day 1 - Lighting pitch 4 - Robert Trafford (Forensic Architecture). Applications of machine learning in monitoring, verification and identification.Vk
Applications of machine learning in monitoring, verification and identification, by Robert Trafford
2019 New Shape Forum: Weapons Governance - Day 1 - Lighting pitch 4 - Robert Trafford (Forensic Architecture). Applications of machine learning in monitoring, verification and identification.
🎥 TMPA-2019: Machine Learning and Value Generation in Software Development: A Survey
👁 1 раз ⏳ 976 сек.
👁 1 раз ⏳ 976 сек.
Machine Learning and Value Generation in Software Development: A Survey
Barakat Akinsanya, Luiz Araujo, Mariia Charikova, Susanna Gimaeva, Alexandr Grichshenko, Adil Khan, Manuel Mazzara, Ozioma Okonicha and Daniil Shilintsev
International Conference on Software Testing, Machine Learning and Complex Process Analysis (TMPA-2019)
7-9 November 2019, Tbilisi
Presentation: https://speakerdeck.com/exactpro/machine-learning-and-value-generation-in-software-development-a-survey
TMPA Conference website https:/Vk
TMPA-2019: Machine Learning and Value Generation in Software Development: A Survey
Machine Learning and Value Generation in Software Development: A Survey
Barakat Akinsanya, Luiz Araujo, Mariia Charikova, Susanna Gimaeva, Alexandr Grichshenko, Adil Khan, Manuel Mazzara, Ozioma Okonicha and Daniil Shilintsev
International Conference on…
Barakat Akinsanya, Luiz Araujo, Mariia Charikova, Susanna Gimaeva, Alexandr Grichshenko, Adil Khan, Manuel Mazzara, Ozioma Okonicha and Daniil Shilintsev
International Conference on…
🎥 Eugene Vorobeychik: Adversarial Machine Learning: from Models to Practice
👁 1 раз ⏳ 3084 сек.
👁 1 раз ⏳ 3084 сек.
Adversarial Machine Learning: from Models to Practice
Machine learning (ML) techniques are increasingly used in a broad array of high-stakes applications, including cybersecurity and autonomous driving. However, ML models are often susceptible to adversarial example attacks, in which an adversary makes changes to the input in order to cause misclassification; for example, an adversary may modify malware in order for it to bypass ML-based malware detectors. A conventional approach to evaluate ML robustnessVk
Eugene Vorobeychik: Adversarial Machine Learning: from Models to Practice
Adversarial Machine Learning: from Models to Practice
Machine learning (ML) techniques are increasingly used in a broad array of high-stakes applications, including cybersecurity and autonomous driving. However, ML models are often susceptible to adversarial…
Machine learning (ML) techniques are increasingly used in a broad array of high-stakes applications, including cybersecurity and autonomous driving. However, ML models are often susceptible to adversarial…
How to Use Out-of-Fold Predictions in Machine Learning
🔗 How to Use Out-of-Fold Predictions in Machine Learning
Machine learning algorithms are typically evaluated using resampling techniques such as k-fold cross-validation. During the k-fold cross-validation process, predictions are made on test sets comprised of data not used to train the model. These predictions are referred to as out-of-fold predictions, a type of out-of-sample predictions. Out-of-fold predictions play an important role in machine learning …
🔗 How to Use Out-of-Fold Predictions in Machine Learning
Machine learning algorithms are typically evaluated using resampling techniques such as k-fold cross-validation. During the k-fold cross-validation process, predictions are made on test sets comprised of data not used to train the model. These predictions are referred to as out-of-fold predictions, a type of out-of-sample predictions. Out-of-fold predictions play an important role in machine learning …
MachineLearningMastery.com
How to Use Out-of-Fold Predictions in Machine Learning - MachineLearningMastery.com
Machine learning algorithms are typically evaluated using resampling techniques such as k-fold cross-validation. During the k-fold cross-validation process, predictions are made on test sets comprised of data not used to train the model. These predictions…
Mapping the tech world with topic modelling
🔗 Mapping the tech world with topic modelling
We analyse 200k tech news articles with the popular topic modelling algorithm LDA
🔗 Mapping the tech world with topic modelling
We analyse 200k tech news articles with the popular topic modelling algorithm LDA
Medium
Mapping the tech world with topic modelling
We analyse 200k tech news articles with the popular topic modelling algorithm LDA
Почему нам везде хочется видеть золотое сечение? Попытка (неудачная) эволюционного анализа при помощи нейросетей на C++
Недавно я задался вопросом: связано ли как-то наше желание везде видеть золотое сечение с какими-то сугубо культурными вещами, или же в этом скрыта какая-то более глубокая закономерность, связанная с устройством нашего мозга? Чтобы разобраться в этом вопросе, я решил сделать несколько вещей:
Сформулировать конкретную гипотезу относительно данной закономерности. Я решил, что лучше всего подойдёт предположение, что наш мозг использует систему счисления, основанную на разложении чисел на степени золотого сечения, так как некоторые её особенности очень близки работе примитивных нейросетей: дело в том, что степени золотого сечения более высокого порядка можно разложить бесконечным числом способов в суммы степеней менее высокого порядка и даже отрицательных степеней. Таким образом, более высокая степень как бы «возбуждается» от нескольких низших степеней, тем самым проявляя то самое сходство с нейросетью.
Описать конкретный способ её проверки: я выбрал мат. моделирование эволюции мозга посредством случайных изменений в простейшей возможной нейросети — матрице линейного оператора.
Составить критерии подтверждения гипотезы. Моим критерием было то, что система счисления, основанная на золотом сечении, реализуется на нейросетевом движке при тех же объёмах информации с меньшим числом ошибок, чем двоичная.
Так как речь идёт о программировании, опишу поподробнее второй и третий пункты.
🔗 Почему нам везде хочется видеть золотое сечение? Попытка (неудачная) эволюционного анализа при помощи нейросетей на C++
Недавно я задался вопросом: связано ли как-то наше желание везде видеть золотое сечение с какими-то сугубо культурными вещами, или же в этом скрыта какая-то боле...
Недавно я задался вопросом: связано ли как-то наше желание везде видеть золотое сечение с какими-то сугубо культурными вещами, или же в этом скрыта какая-то более глубокая закономерность, связанная с устройством нашего мозга? Чтобы разобраться в этом вопросе, я решил сделать несколько вещей:
Сформулировать конкретную гипотезу относительно данной закономерности. Я решил, что лучше всего подойдёт предположение, что наш мозг использует систему счисления, основанную на разложении чисел на степени золотого сечения, так как некоторые её особенности очень близки работе примитивных нейросетей: дело в том, что степени золотого сечения более высокого порядка можно разложить бесконечным числом способов в суммы степеней менее высокого порядка и даже отрицательных степеней. Таким образом, более высокая степень как бы «возбуждается» от нескольких низших степеней, тем самым проявляя то самое сходство с нейросетью.
Описать конкретный способ её проверки: я выбрал мат. моделирование эволюции мозга посредством случайных изменений в простейшей возможной нейросети — матрице линейного оператора.
Составить критерии подтверждения гипотезы. Моим критерием было то, что система счисления, основанная на золотом сечении, реализуется на нейросетевом движке при тех же объёмах информации с меньшим числом ошибок, чем двоичная.
Так как речь идёт о программировании, опишу поподробнее второй и третий пункты.
🔗 Почему нам везде хочется видеть золотое сечение? Попытка (неудачная) эволюционного анализа при помощи нейросетей на C++
Недавно я задался вопросом: связано ли как-то наше желание везде видеть золотое сечение с какими-то сугубо культурными вещами, или же в этом скрыта какая-то боле...
Хабр
Почему нам везде хочется видеть золотое сечение? Попытка (неудачная) эволюционного анализа при помощи нейросетей на C++
Недавно я задался вопросом: связано ли как-то наше желание везде видеть золотое сечение с какими-то сугубо культурными вещами, или же в этом скрыта какая-то более глубокая закономерность, связанная с...
🎥 Unsupervised Learning | Clustering and Association Algorithms in Machine Learning | @edureka!
👁 2 раз ⏳ 1399 сек.
👁 2 раз ⏳ 1399 сек.
*** Machine Learning Training with Python: https://www.edureka.co/machine-learning-certification-training ***
This Edureka video on 'Unsupervised Learning' goes over the basics of Machine Learning, What is Unsupervised Learning in detail, its importance, types and algorithms, various applications and some of the major advantages and disadvantages that Unsupervised Learning poses. Below are the Topics Covered in this Machine Learning Tutorial Video:
0:46 - Agenda
1:26 - Overview of Machine Learning
3:27Vk
Unsupervised Learning | Clustering and Association Algorithms in Machine Learning | @edureka!
*** Machine Learning Training with Python: https://www.edureka.co/machine-learning-certification-training ***
This Edureka video on 'Unsupervised Learning' goes over the basics of Machine Learning, What is Unsupervised Learning in detail, its importance…
This Edureka video on 'Unsupervised Learning' goes over the basics of Machine Learning, What is Unsupervised Learning in detail, its importance…
Как промышленный Интернет вещей трансформирует экономику предприятия
Промышленный Интернет вещей (Industrial Internet of Things, сокращенно IIoT) – это глобальная сеть подключенных к Интернету физических объектов, которые оснащены датчиками, сенсорами и устройствами передачи данных.
Главные особенности Промышленного Интернета вещей:
Устройства, которые вошли в сеть и взаимодействуют друг с другом;
Способ подключения – M2M – то есть машины – для – машин, без участия человека;
Работа с большим объемом данных. Применение технологий Big Data.
Полученные данные являются основой для анализа, составления бизнес-модели и повышения эффективности производства.
🔗 Как промышленный Интернет вещей трансформирует экономику предприятия
Промышленный Интернет вещей (Industrial Internet of Things, сокращенно IIoT) – это глобальная сеть подключенных к Интернету физических объектов, которые оснаще...
Промышленный Интернет вещей (Industrial Internet of Things, сокращенно IIoT) – это глобальная сеть подключенных к Интернету физических объектов, которые оснащены датчиками, сенсорами и устройствами передачи данных.
Главные особенности Промышленного Интернета вещей:
Устройства, которые вошли в сеть и взаимодействуют друг с другом;
Способ подключения – M2M – то есть машины – для – машин, без участия человека;
Работа с большим объемом данных. Применение технологий Big Data.
Полученные данные являются основой для анализа, составления бизнес-модели и повышения эффективности производства.
🔗 Как промышленный Интернет вещей трансформирует экономику предприятия
Промышленный Интернет вещей (Industrial Internet of Things, сокращенно IIoT) – это глобальная сеть подключенных к Интернету физических объектов, которые оснаще...
Хабр
Как промышленный Интернет вещей трансформирует экономику предприятия
Промышленный Интернет вещей (Industrial Internet of Things, сокращенно IIoT) – это глобальная сеть подключенных к Интернету физических объектов, которые оснаще...
Understanding RNNs (Recurrent Neural Networks)
🔗 Understanding RNNs (Recurrent Neural Networks)
The Neural Network That Can Remember The Past
🔗 Understanding RNNs (Recurrent Neural Networks)
The Neural Network That Can Remember The Past
Medium
Understanding RNNs (Recurrent Neural Networks)
The Neural Network That Can Remember The Past
🎥 Support Vector Machine In Python | Machine Learning in Python Tutorial | Python Training | Edureka
👁 1 раз ⏳ 906 сек.
👁 1 раз ⏳ 906 сек.
** Python Certification Training: https://www.edureka.co/machine-learning-certification-training **
This Edureka video on 'Support Vector Machine In Python' covers A brief introduction to Support Vector Machine in Python with a use case to implement SVM using Python. Following are the topics discussed:
Introduction To Machine learning
What is Support Vector Machine?
How Does SVM Work?
SVM Kernels
SVM Use Cases
How To Implement SVM?
Character Recognition Using SVM
Python Tutorial Playlist: https://goo.gl/Vk
Support Vector Machine In Python | Machine Learning in Python Tutorial | Python Training | Edureka
** Python Certification Training: https://www.edureka.co/machine-learning-certification-training **
This Edureka video on 'Support Vector Machine In Python' covers A brief introduction to Support Vector Machine in Python with a use case to implement SVM using…
This Edureka video on 'Support Vector Machine In Python' covers A brief introduction to Support Vector Machine in Python with a use case to implement SVM using…
No Human Can Beat AlphaGo, and It’s a Good Thing
🔗 No Human Can Beat AlphaGo, and It’s a Good Thing
Why Go master Lee Se-Dol should not feel sorry for losing to AlphaGo
🔗 No Human Can Beat AlphaGo, and It’s a Good Thing
Why Go master Lee Se-Dol should not feel sorry for losing to AlphaGo
Medium
No Human Can Beat AlphaGo, and It’s a Good Thing
Why Go master Lee Se-Dol should not feel sorry for losing to AlphaGo
🎥 Episode 391: Jeremy Howard on Deep Learning and fast.ai
👁 1 раз ⏳ 3428 сек.
👁 1 раз ⏳ 3428 сек.
Jeremy Howard from fast.ai explains deep learning from concept to implementation. Thanks to transfer learning, individuals and small organizations can get state-of-the-art results on machine learning problems using the open source fastai library...Vk
Episode 391: Jeremy Howard on Deep Learning and fast.ai
Jeremy Howard from fast.ai explains deep learning from concept to implementation. Thanks to transfer learning, individuals and small organizations can get state-of-the-art results on machine learning problems using the open source fastai library...
Integrate Face Detection in your App
🔗 Integrate Face Detection in your App
Don’t be overwhelmed because adding Face Detection to your applications has never been so easy!
🔗 Integrate Face Detection in your App
Don’t be overwhelmed because adding Face Detection to your applications has never been so easy!
Medium
Integrate Face Detection in your App
Don’t be overwhelmed because adding Face Detection to your applications has never been so easy!
How to Supercharge your Pandas Workflows
🔗 How to Supercharge your Pandas Workflows
Tutorial on tools and techniques to enhance your Pandas experience.
🔗 How to Supercharge your Pandas Workflows
Tutorial on tools and techniques to enhance your Pandas experience.
Medium
How to Supercharge your Pandas Workflows
Tutorial on tools and techniques to enhance your Pandas experience.
Kaggle Live-Coding: How to come up with ideas for a project 🤔 | Kaggle
🔗 Kaggle Live-Coding: How to come up with ideas for a project 🤔 | Kaggle
This week Rachael will walk through how she comes up with ideas for data science projects to work on. About Kaggle: Kaggle is the world's largest community of data scientists. Join us to compete, collaborate, learn, and do your data science work. Kaggle's platform is the fastest way to get started on a new data science project. Spin up a Jupyter notebook with a single click. Build with our huge repository of free code and data. Stumped? Ask the friendly Kaggle community for help. Follow Kaggle online: Vis
🔗 Kaggle Live-Coding: How to come up with ideas for a project 🤔 | Kaggle
This week Rachael will walk through how she comes up with ideas for data science projects to work on. About Kaggle: Kaggle is the world's largest community of data scientists. Join us to compete, collaborate, learn, and do your data science work. Kaggle's platform is the fastest way to get started on a new data science project. Spin up a Jupyter notebook with a single click. Build with our huge repository of free code and data. Stumped? Ask the friendly Kaggle community for help. Follow Kaggle online: Vis
YouTube
Kaggle Live-Coding: How to come up with ideas for a project 🤔 | Kaggle
This week Rachael will walk through how she comes up with ideas for data science projects to work on.
About Kaggle:
Kaggle is the world's largest community of data scientists. Join us to compete, collaborate, learn, and do your data science work. Kaggle's…
About Kaggle:
Kaggle is the world's largest community of data scientists. Join us to compete, collaborate, learn, and do your data science work. Kaggle's…
[Инфографика] Как искусственный интеллект показан в научной фантастике
Как говорится, важнейшим из искусств обмана для нас является кино.
Однако, когда имеем дело с научной фантастикой, человеческое воображение частенько зрит в верном направлении, особенно, если речь о футурологических прогнозах. Происходящая революция, связанная с искусственным интеллектом, тотально меняет нашу жизнь. Но, оказывается, мы размышляли об этом задолго до.
🔗 [Инфографика] Как искусственный интеллект показан в научной фантастике
Как говорится, важнейшим из искусств обмана для нас является кино. Однако, когда имеем дело с научной фантастикой, человеческое воображение частенько зрит в ве...
Как говорится, важнейшим из искусств обмана для нас является кино.
Однако, когда имеем дело с научной фантастикой, человеческое воображение частенько зрит в верном направлении, особенно, если речь о футурологических прогнозах. Происходящая революция, связанная с искусственным интеллектом, тотально меняет нашу жизнь. Но, оказывается, мы размышляли об этом задолго до.
🔗 [Инфографика] Как искусственный интеллект показан в научной фантастике
Как говорится, важнейшим из искусств обмана для нас является кино. Однако, когда имеем дело с научной фантастикой, человеческое воображение частенько зрит в ве...
Хабр
[Инфографика] Искусственный интеллект в научной фантастике
Как говорится, важнейшим из искусств обмана для нас является кино. Однако, когда имеем дело с научной фантастикой, человеческое воображение частенько зрит в верном направлении, особенно, если речь о...