30 geweldige toepassingen van deep learning

0 Flares 0 Flares ×

De laatste jaren is Deep learning toegepast op honderden problemen, variërend van computervisie tot natuurlijke taalherkenning. In veel gevallen presteerde Deep Learning beter dan zonder de toepassing hiervan. Wetenschappers gebruiken Deep Learning om intelligentie te bestuderen en in de industrie om intelligente systemen te bouwen die mensen bij verschillende taken kunnen helpen.

In dit artikel wil ik de geweldige toepassingen van Deep Learning die ik heb gezien met je delen. En ik hoop dat dit mensen enthousiast zal maken over de kansen die dit vakgebied met zich meebrengt.

Er zijn veel verschillende toepassingen en deze lijst hieronder is op geen enkele manier volledig. Dus als je andere coole applicaties kent, zou ik het op prijs stellen als je ze in de reacties kunt vermelden. De verschillende vormen van Deep Learning heb ik opgedeeld per categorie:

Computervisie en patroonherkenning

  1. Politici simuleren

Een groep van de University of Washington creëerde een systeem dat audio gebruikt en synchroniseert met lipbeweging van een gezicht in een video. De video toont een vrij treffend voorbeeld van Obama. Hier is het origineel wetenschappelijke artikel.

  1. Herstel kleuren van zwart-witfoto’s en video’s

Houd je niet van zwart-witafbeeldingen? Geen zorgen, “Let there be color!”is een computersysteem dat automatisch kleuren van zwart-witfoto’s kan herstellen. Je kan hier meer over lezen en nog veel andere voorbeelden hier bekijken.


Deep Learning-netwerk herstelt de kleur van oude zwart-witfoto’s.

Een vergelijkbare aanpak kan zelfs worden gebruikt voor het inkleuren van oude zwart-witfilms:

Het Deep Learning netwerk heeft patronen geleerd die van nature voorkomen in foto’s om deze kleuren te herstellen: de lucht is meestal blauw, wolken zijn vaak wit / grijs en gras is meestal groen. Maar het deed dit zelfstandig op basis van de data zonder menselijk ingrepen. Het systeem maakt wel eens fouten, maar ze zijn vrij moeilijk te herkennen. Hier staan ​​bijvoorbeeld twee zwart-witfoto’s met wat de computer geraden had en het juiste antwoord daarop. Wat denk je dat het echte beeld is?

  1. Pixel restauratie CSI stijl

In de televisieserie CSI zoomen ze vaak in op video’s die verder gaan dan de resolutie van de daadwerkelijke video. Dit leek volkomen onbetrouwbaar en er zijn zelfs een paar video’s op YouTube zoals de video hieronder, waarin mensen uitleggen dat ze geen CSI bekijken omdat het onrealistisch is.

Nou, het was niet realistisch tot Deep Learning. Begin 2017 hebben Google Brain onderzoekers een Deep Learning netwerk getraind om afbeeldingen met een zeer lage resolutie van gezichten te maken en te voorspellen hoe elk gezicht er waarschijnlijk uitziet. Ze noemen de methode Pixel Recursive Super Resolution die de resolutie van foto’s aanzienlijk verbetert. In de onderstaande afbeelding zie je de originele 8×8-foto’s, de grondwaarheid (oorspronkelijk het werkelijke gezicht op de foto’s) en in het midden de schatting van de computer. Het is duidelijk dat het niet perfect is, dat kan ook niet, maar het is tamelijk ongelofelijk dat de computer zoveel van de kenmerken van de persoon op de foto zo goed kan inschatten.

Met de invoer van 8×8 pixel foto’s in een Deep Learning netwerk probeerde het systeem te raden hoe het originele gezicht eruit zag. Zoals je kunt zien was het redelijk dichtbij (het juiste antwoord staat onder “ground truth”).

  1. Realtime houding herkenning voor meerdere personen

Deep Learning netwerken kunnen nu enorm helpen bij het inschatten van de houding van mensen. Tegenwoordig kunnen ze het zelfs in realtime doen. Een werk van Zhe Cao et al leerde een neuraal netwerk om de houding van het menselijk skelet te schatten. In de video hieronder zie je meer dan een dozijn mensen dansen, terwijl het netwerk weet waar ze zijn en hoe ze bewegen. Dit gebeurt zonder dat er apparaten op staan, alleen door de video te analyseren!

  1. Foto’s beschrijven

We zijn allemaal gewend dat computers onze foto’s automatisch classificeren. Facebook kan automatisch je vrienden taggen. Op dezelfde manier kan Google Photo’s je foto automatisch labelen voor een gemakkelijkere zoekopdracht. Neem in feite een state-of-the-art netwerk en train het op ImageNet, de grootste database van gelabeld beeld en het zal in staat zijn om objecten te classificeren beter dan een PhD student die gedurende meer dan 100 uur op dezelfde taak heeft getraind.

Een Deep Learning netwerk segmenteert automatisch een afbeelding en schrijft een korte zin die elk segment beschrijft met een goede Engelse grammatica.

Maar dit zijn slechts labels en Deep Learning maakt het mogelijk verschillende stappen vooruit te zetten en alle verschillende elementen in een foto te beschrijven. In een werk van Andrej Karpathy en Li Fei-Fei hebben ze een Deep Learning netwerk opgeleid om tientallen interessante gebieden in een afbeelding te identificeren en een zin te schrijven om te beschrijven wat er in elk gebied gebeurt. Dit betekent dat de computer niet alleen leerde de elementen in de foto te classificeren, maar deze ook met Engelse grammatica te beschrijven. Je kunt met honderden andere voorbeelden in deze demo spelen.

  1. Veranderende blikken van mensen op foto’s

Deze is een beetje raar. Stel je voor dat je een foto hebt van iemand, zoals een vriend of familielid. In DeepWarp hebben Ganin et al een Deep Learning netwerk opgeleid om de blik van de persoon te veranderen.

  1. Realtime analyse van gedrag

Dus Deep Learning netwerken weten hoe foto’s te herkennen en die te beschrijven en kunnen de posities van personen inschatten. DeepGlint is een oplossing die Deep Learning gebruikt om een realtime inzicht te krijgen in het gedrag van auto’s, mensen en mogelijk andere objecten. Dit is een toepassing van Deep Learning die nog in de ontwikkelingsfase zit, maar het is de moeite waard om er bekend mee te zijn.

  1. Foto’s herhalen om nieuwe objecten te maken

Een werk van Nguyen et al. Laat een Deep Learning netwerk nieuwe foto’s creëren van reeds bestaande afbeeldingen. De resultaten zijn prachtig en laten zien hoe het netwerk iteratief nieuwe foto’s maakt van objecten die voorheen niet in de originele afbeelding aanwezig waren.

Het netwerk creëerde prachtige foto’s van uitbarstende vulkanen, maar ook bloemen, vogels, gezichten en nog veel meer.

  1. Foto’s van sterrenstelsels creëren


Computer gegenereerde sterrenstelsels en vulkanen. De architectuur die hier wordt gebruikt, wordt Generative Adversarial Networks (GAN’s) genoemd.

We hoeven niet te stoppen bij aardse objecten tijdens het bestuderen van de natuurlijke wereld met behulp van Deep Learning. Astronomen gebruiken Deep Learning nu om foto’s van sterrenstelsels en vulkanen te maken.

  1. Vertalingen

De Google Translate app kan nu afbeeldingen met tekst in realtime vertalen naar de taal van keuze. Richt de camera gewoon op het object en je telefoon voert een Deep learning netwerk uit om de afbeelding te lezen, OCR het (zet het om naar tekst) en vertaal het vervolgens. Talen zullen geleidelijk geen meer barrière vormen en we zullen universeel met andere mensen kunnen communiceren.

Een foto van een verpakt voedsel genomen door de telefoon, en Google Translate “leest” de tekst en vervangt deze in real-time door een Engelstalige tekst.

  1. Walvissen redden en plankton classificeren

Zoals we hebben gezien, zijn Convolutional Neural Networks een Deep Learning architectuur die leert hoe je afbeeldingen verbazingwekkend kunt classificeren. Dit heeft duizenden toepassingen van biologie, astronomie, voedsel en meer. Door bijvoorbeeld foto’s van walvissen te classificeren, kunnen we populaties van bedreigde walvissen beter bestuderen.

Andere voorbeelden zijn Plankton classificatie en planten classificatie.

  1. Nieuwe afbeeldingen maken


Een deep learning netwerk genereert nieuwe foto’s. Foto’s die overdag zijn gemaakt, zijn bijvoorbeeld geconverteerd naar foto’s die ’s nachts lijken te genomen zijn.

Hetzelfde idee als in “Let there be color!” kan worden gebruikt voor een Deep Learning netwerk om andere soorten nieuwe afbeeldingen te maken. In Pix2Pix hebben Isola et al een Deep Learning netwerk geleerd om meerdere taken uit te voeren: maak echte straatscènes van gekleurde klodders, maak een kaart van een echte luchtfoto, verander dagtaferelen in nacht en vul de kleuren in tussen de randen van objecten.


Teken de omtrek van een tas of een schoen en het Deep Learning-netwerk kleurt het voor je. De resultaten zijn behoorlijk creatief.

Het laatste voorbeeld is best gaaf, in veel gevallen wordt de computer behoorlijk creatief met de ontwerpen van de objecten.

  1. Tekst lezen in het wild

Oxford Visual Geometry-groep gebruikte Deep Learning om “tekst in het wild te lezen”. Dit is een poging om tekst uit foto’s en video’s te lezen om Google uit te breiden, zodat we kunnen zoeken naar tekst uit BBC News video’s. Probeer het zelf uit door op de onderstaande zoekopdracht te klikken.

  1. Besparingen zonne-energie schatten

Google Sunroof maakt gebruik van luchtfoto’s van Google Earth om een ​​3D-model van je dak te maken. Het project maakt gebruik van Deep Learning neurale netwerken om je dak van omliggende bomen en schaduwen te scheiden. Vervolgens worden de baan en weerpatronen van de zon gebruikt om te voorspellen hoeveel energie kan worden geproduceerd door zonnepanelen op je dak te plaatsen.

Google Sunroof voorspelt hoeveel geld je kunt besparen als je zonnepanelen installeert. Het gebruikt Deep Learning om de luchtfoto’s van Google Earth te analyseren.

Computerspelletjes, robots en zelfrijdende auto’s

  1. Winnende Atari Breakout

Google’s DeepMind gebruikte een Deep Learning techniek genaamd Deep Reinforcement Learning om een ​​computer te leren Atari-game Breakout te spelen. De computer is niet op een specifieke manier onderwezen of geprogrammeerd om het spel te spelen. In plaats daarvan kreeg het tijdens het kijken naar de score controle over het toetsenbord en het doel was om de score te maximaliseren. In het begin is het slecht, omdat de bewegingen meestal willekeurig zijn. Na twee uur spelen is de computer een expert. Na vier uur spelen besefte de computer dat het graven van een tunnel door de muur de meest effectieve techniek is om het spel te verslaan.

  1. Mensen verslaan in tientallen computerspellen


Een lijst met spellen die door machines worden gespeeld. In de meeste spellen traint Deep Learning netwerken goed genoeg om beter te spelen dan een menselijke speler.

Hou je niet van Breakout? De Deep Learning community is momenteel (maart 2017) in een race om computers te trainen om mensen te verslaan bij bijna elk spel dat je maar kunt bedenken, waaronder: Space Invaders, Doom, Pong, Gathering en tientallen andere spellen. In de meeste van deze spellen presteren Deep Learning netwerken al beter dan ervaren spelers. De computers waren niet geprogrammeerd om de spellen te spelen, in plaats daarvan speelden ze de spellen een paar uur en leerden ze de regels zelf.

  1. Playing Doom: voorbeeld van geweld in Computer Games


Statistieken van een Doom game, waarbij de computer in bijna elke parameter een ervaren menselijke speler verslaat.

Maar er zijn ook enkele rode vlaggen als we Deep Reinforcement Learning Networks computerspelletjes laten spelen. Bijvoorbeeld, bij het spelen van de game Doom, de computer doodt twee keer beter dan een menselijke speler en wordt veel minder gedood. Niet om hier overdreven apocalyptisch over te worden, maar het herinnerde me op een of andere manier aan de 1992 film Universal Soldier,waarin Van Damme en Dolph Lundgren werden gereanimeerd nadat ze in Vietnam werden gedood. Deep Learning netwerken zijn ook aangenomen om in bepaalde gevallen manipulatief en agressief te zijn. Als je Gathering speelt, concurreren rode en blauwe agenten bij het verzamelen van appels (in groen) terwijl ze ook op elkaar kunnen schieten. Wanneer de appels schaars zijn, wordt een van de agenten agressief en schiet constant naar de appel toe om te voorkomen dat de andere agent deze oprapen.

  1. Zelfrijdende auto’s

Iedereen heeft ervan gehoord en nu kan je ze echt in actie zien. In deze video rijdt een elektrisch Tesla-voertuig zonder menselijke tussenkomst. Merk op hoe het verschillende soorten objecten onderscheidt, inclusief mensen en verkeersborden.

  1. Robotica

Deep Learning wordt tegenwoordig ook veel gebruikt in robotica. Dit is een vakgebied waar ik niet op in zal gaan, maar op zijn minst twee voorbeelden van mijn favoriete robots van BostonDynamics: SpotMini en Atlas. De robots reageren op mensen die hen duwen, ze staan ​​ook op als ze vallen en kunnen zelfs zorgen voor behoorlijk uitgebreide taken die zacht en voorzichtig zijn, zoals het legen van een vaatwasser.

  1. Probeer het zelf

Verschillende van de meest gerenommeerde ondernemers in Silicon Valley hebben onlangs een non-profit organisatie genaamd OpenAI gelanceerd met als doel de AI en Deep Learning technologie te democratiseren. Ze lanceerden Universe, een open source platform waarmee je Deep Learning kunt testen op honderden games en websites, dus nu kan je een Deep Learning-netwerk trainen om honderden verschillende games zelf te spelen!

Geluid

  1. Spraakontwikkeling

Vorig jaar bracht Google WaveNet uit en Baidu bracht Deep Speech uit, beide zijn Deep Learning netwerken die spraak automatisch genereren. Je vraagt ​​je misschien af ​​wat de grootste is? Siri en Alexa kunnen ook praten. Tot op heden waren text2voice systemen niet volledig autonoom in de manier waarop ze nieuwe stemmen creëerden, ze werden (handmatig) getraind om dit te doen. De systemen die vandaag zijn gemaakt, leren de menselijke stemmen zelf nabootsen en verbeteren met de tijd. Wanneer een publiek het probeert te onderscheiden van een echte mens, is het veel moeilijker om dat te doen. Hoewel we er nog niet zijn op het gebied van automatische stemvorming, brengt Deep Learning ons een stap dichter bij computers de mogelijkheid te geven om te spreken zoals mensen dat doen.

Als je een muziekliefhebber bent dan houdt het hier niet op en in dit werk van Merlijn Blaauw en Jordi Bonada hebben ze zelfs een Deep Learning netwerk leren zingen!

  1. Muzieksamenstelling

Dezelfde technologie die wordt gebruikt voor spraakherkenning kan ook worden gebruikt om een ​​Deep Learning netwerk te trainen om muziekcomposities te produceren. Hieronder is een voorbeeld van Francesco Marchesani die de computer heeft getraind om muziek te componeren zoals die van de klassieke componist Chopin. Nadat de computer de patronen en statistieken heeft geleerd die uniek zijn voor de muziek van Chopin, creëert het een geheel nieuw stuk!

  1. Geluid herstellen in video’s

Het klinkt bijna alsof het niet mogelijk zou zijn om het geluid te herstellen in gedempte video’s, maar onthoud dat er mensen zijn die de lippen van anderen kunnen lezen. In een werk van Owens et al.werd een Deep Learning netwerk getraind in video’s waarin mensen objecten slaan en bekrassen met een trommelstok. Na verschillende iteraties te hebben geleerd, dempten de wetenschappers de video en vroegen ze de computer om het geluid te regenereren dat ze verwachten te horen – en de resultaten zijn indrukwekkend:

Als dit niet genoeg voor je is, wat dacht je dan van computers te laten liplezen? Dit is wat LipNet kan doen, in een werk van Oxford en Google DeepMind wetenschappers. LipNet bereikte 93% succes bij het lezen van de lippen van mensen, waar een gemiddelde liplezer 52% van de tijd slaagt.

Kunst

  1. Het overbrengen van de stijl van beroemde schilderijen

Stijl overdracht is een techniek waarbij een Deep Learning netwerk artistieke stijlen van bekende kunstwerken naar nieuwe afbeeldingen kan overbrengen.

Gebruik de Deep Learning stijl overdracht techniek om de stijlen van Egyptische hiërogliefen, de Crab Nebula en Google Maps toe te passen op de Mona Lisa.

Een 2016-paper van Gatys, Ecker en Bethge experimenteerde met het volgende creatieve idee. Neem je favoriete kunstwerk en laat een Deep Learning netwerk de patronen in de lijnen, kleuren en schakeringen bestuderen. Sluit een nieuwe afbeelding aan op het netwerk en het netwerk kan de stijl van de originele illustratie overbrengen naar je afbeelding.
Het internet staat vol met nieuwe creatieve manieren om deze techniek op nieuwe manieren toe te passen. Bijvoorbeeld @Genekogan besloot de andere kant op te gaan en stijl overdracht toe te passen om de Mona Lisa aan te passen aan stijlen die werden geleerd van Egyptische hiërogliefen, de Crab Nebula en Google Maps. Je kunt meer van zijn en andere artistieke experimenten verkennen.

De methode van stijl overdracht gaat veel verder dan kunst en kan zelfs worden gebruikt voor fotografie. In dit artikel van Luan et al. Hebben ze foto’s van gebouwen, bloemen en landschappen getransformeerd. De resultaten die je hieronder ziet, zijn verbluffend (meer in deze link), de foto’s zijn van links naar rechts georganiseerd (links = origineel, midden = originele stijl, rechts = resultaat).

Resultaten van stijl overdracht op foto’s van gebouwen en landschappen (links = origineel, midden = originele stijl, rechts = resultaat).

Wil je het stijl overbrengen zelf proberen? DeepArt.io maakt apps die Deep Learning gebruiken om honderden verschillende stijlen te leren die je op je foto’s kunt toepassen.

  1. Automatisch Wikipedia-artikelen, wiskundepapier, computercode en zelfs Shakespeare schrijven


Deze tekst leest als Shakespeare, maar werd feitelijk geschreven door een Deep Learning (LSTM) netwerk dat veel van Shakespeare las.


Deep Learning-netwerken kunnen worden getraind met verschillende soorten tekst. Hier genereert het netwerk een Wikipedia artikel helemaal vanaf nul.

Een andere architectuur van Deep Learning heet Long Short-Term Memory (LSTM)en presteert geweldig goed op tekstuele invoer. In een toepasselijk gemarkeerde blogpost genaamd “The Unreditional Effectiveness of Recurrent Neural Networks” door Andrej Karpathy, liet Karpathy een Deep Learning netwerk Shakespeare, Wikipedia, wiskunde documenten en computercode “lezen”. De resultaten? De computer schreef zoals Shakespeare schreef en ook Wikipedia achtige artikelen (merk op dat de yahoo link niet echt bestaat en dat de computer het “hallucineerde”). De computer was ook in staat om valse wiskunde documenten te schrijven, en zelfs computercode! Dit is een computerprogramma die computerprogramma’s schrijft. Merk op dat de tekst, code en wiskunde die de computer schrijft niet altijd logisch zijn, maar het is redelijk om te verwachten dat dit er wel zit aan te komen.

  1. Handschrift

De voorbeelden hierboven gingen over digitale tekst of kunst maar computers kunnen ook met de hand schrijven.Alex Graves van de Universiteit van Toronto leerde een computer om zijn eigen handschrift in een breed aanbod van stijlen te hebben. Tik op het onderstaande handschrift om je eigen tekst te schrijven in elke gewenste stijl.

Computer hallucinaties, voorspellingen en andere wilde dingen

  1. Voorspellen van demografieën en verkiezingsresultaten


Demografische gegevens voorspeld door een Deep Learning netwerk na het bekijken van foto’s van auto’s in elke staat.

Gebru et al nam 50 miljoen Google Street View beelden en onderzocht wat een Deep Learning netwerk kan doen met hen.De resultaten zijn uitstekend, want de computer leerde auto’s lokaliseren en herkennen. Het detecteerde meer dan 22 miljoen auto’s, inclusief hun merk, model, type en jaar. Waarom stop je daar? Het model was in staat om de demografische gegevens van elk gebied te voorspellen door de makeup van de auto. Er waren veel inzichten die buiten het bereik van deze blogpost vallen, maar het is een leuke associatie die een leuk voorbeeld is: “als het aantal sedans dat je tegenkomt tijdens een rit van 15 minuten door een stad groter is dan het aantal pickups vrachtwagens, dan zal de stad waarschijnlijk stemmen voor een democraat tijdens de volgende presidentsverkiezingen (88% kans), anders zal het waarschijnlijk Republikeins stemmen (82%). ”

  1. Diepe dromen

Dit volgende voorbeeld gaat je hersens verwarren, dus mijn excuses op voorhand. Eind 2015 vonden Google-onderzoekers een manier om Deep Learning te gebruiken om de computer functies in afbeeldingen te laten verbeteren. Deze techniek kan op verschillende manieren worden gebruikt, waaronder Deep Dreaming, waarmee de computer bovenop een bestaande foto kan hallucineren. De wetenschappers noemden het Deep Dreaming omdat de gegenereerde foto’s vaak op dromen lijken.


De computer hallucineert denkbeeldige gebouwen en structuren op de top van deze heuvel.

Op deze foto bijvoorbeeld hallucineerden de computer structuren en gebouwen op de top van een berg. De hallucinaties variëren afhankelijk van waar het neurale netwerk eerder aan werd blootgesteld, en er zijn honderden voorbeelden online waar de computer dieren, auto’s, mensenen gebouwen droomt. Sommige Deep Dreams zijn eigenlijk diepe nachtmerries die erg storend kunnen zijn.


Soms zou Deep Dreams beter “Deep Nightmares” moeten worden genoemd. Nachtmerries waargenomen door het Deep Learning netwerk.

YouTube zit tegenwoordig vol met video’s van de computer Deep Dreaming Fear & Loathing in Las Vegas,Alice in Wonderland, denkbeeldige steden, Vincent Van Gogh en zelfs Donald Trump. Maar mijn twee favorieten en mogelijk de wildste zijn de Pouff – een reis naar de supermarkt:

en deze video gaat over een Reis in de Deep Dream, die verder inzoomt op andere fantasierijke visies (speelt met geluid).

  1. AI bedenkt en hackt zijn eigen crypto om afluisteren te voorkomen.

Google Brain heeft voor veiligheidsdoeleinden twee neurale netwerken gemaakt, een die een eigen cryptografisch algoritme maakt om hun berichten te beschermen en het andere netwerk probeert het te kraken. Het netwerk presteerde erg goed in het ontwerpen van nieuwe crypto mechanismen, maar niet zo goed in het hacken ervan.

  1. Deep Learning netwerken die deep learning netwerken creëren

Neural complete is een deep learning code die nieuwe deep learning netwerken kan genereren. Het is niet alleen geschreven in Python, maar is ook getraind in het genereren van Python code. Super cool en bespaart tijd voor andere (luie =)) Deep Learning ontwikkelaars.


Neural Complete is een Deep Learning netwerk dat deep learning code kan schrijven!

  1. Aardbevingen voorspellen

Harvard wetenschappers gebruikten Deep Learning om een ​​computer te leren om visco-elastische berekeningen uit te voeren, dit zijn de berekeningen die worden gebruikt bij voorspellingen van aardbevingen. Tot hun paper waren dergelijke berekeningen erg computer intensief, maar deze toepassing van Deep Learning verbeterde de rekentijd met 50.000%. Als het gaat om de berekening van aardbevingen, is timing belangrijk en deze verbetering kan van levensbelang zijn om het levens te redden.

De toekomst van AI

Ik hoop dat dit artikel je enthousiast maakt over de toepassingen van Deep Learning en over het potentieel ervan om een ​​oplossing te bieden voor enkele problemen waarmee de mensheid te maken heeft. Tegelijkertijd is het belangrijk om ons te realiseren dat elke nieuwe technologie mogelijke gevaren met zich meebrengt. AI-veiligheid is echt een enorm onderwerp dat een eigen blogbericht verdient dat ik hopelijk in de toekomst zal schrijven. Voor nu wil ik alleen nog vermelden dat er veel mensen samenwerken om ervoor te zorgen dat AI wordt gebruikt op een manier die de mensheid ten goede zal komen. Ik adviseer ten zeerste volgende ondernemingen zoals OpenAI, Partnerschap met AI, Allen Institute for Artificial Intelligence, evenals goed op de hoogte te zijn van de bezorgdheid over AI-veiligheid en de optimistische versus pessimistische opvattingen daarover.

Dit is een vertaling van 30 amazing applications of deep learning van Veel Yaron Hadad. Veel dank hiervoor Yaron!

0 Flares Twitter 0 Facebook 0 LinkedIn 0 0 Flares ×
 

Interessant? Schrijf je dan nu in voor gratis tips via e-mail

Over Frank

Als internetondernemer heb ik een fascinatie voor nieuwe technologie en de impact ervan. Mijn kennis hierover deel ik graag via blogs, boeken en presentaties.

Laat wat van je horen

*

0 Flares Twitter 0 Facebook 0 LinkedIn 0 0 Flares ×
Elke dag nieuwe leads in je mailbox? Test dan gratis mijn nieuwe software!

Wil je direct nieuwe leads ontvangen?

Probeer dan gratis mijn nieuwe software en krijg inzicht in de bedrijven en de personen die je website bezoeken!

Lees vorig bericht:
Vaardigheden voor de toekomst

Drie groepen vaardigheden zullen in de toekomst van groot belang zijn. Dit zijn: hoog cognitieve vaardigheden, sociaal en emotionele vaardigheden...

Sluiten