глибинне навчання

The article is devoted to the theoretical foundations and practical aspects of facial recognition using neural networks. The paper analyzes various approaches to feature extraction from facial images, as well as methods for training neural networks for recognition. Special attention is paid to problems related to variations in lighting, facial expressions, and other factors affecting recog- nition accuracy. The paper describes the creation and optimization of a neural network for real-time human face recognition.

Ансамблеві методи можуть використовуватись для багатьох завдань, одними з найпопулярніших є: класифікація, регресія та сегментація зображень. Сегментація зображень є складною задачею, де використання ансамблевих методів машинного навчання дає можливість покращити точність передбачень нейронних мереж.

The paper highlights the increasing importance of machine learning (ML) in mobile applications, with mobile devices becoming ubiquitous due to their accessibility and functionality. Various ML models, including Convolutional Neural Networks (CNNs) and Vision Transformers (ViTs), are explored for their applications in real-time classification on mobile devices. The paper identifies key challenges in deploying these models, such as limited computational resources, battery consumption, and the need for real-time performance.

У статті описано дослідження ідентифікації фейкових новин на основі опрацювання природної мови, аналізу великих даних і технології глибокого навчання. Розроблена система автоматично перевіряє новини на наявність ознак фейкових новин, таких як використання маніпулятивної мови, неперевірених джерел і недостовірної інформації. Візуалізація даних реалізована на основі дружнього інтерфейсу користувача, який відображає результати аналізу новин у зручному та зрозумілому форматі.

Дослідження зосереджено на значній екологічній загрозі, яку становить цезій-137, побічний продукт ядерних аварій, промислової діяльності та минулих випробувань зброї. Стійкість цезію- 137 порушує екосистеми, забруднюючи ґрунт та воду, що у результаті впливає на здоров’я людей через харчовий ланцюг. Традиційні методи моніторингу, такі як гамма-спектроскопія та відбір проб ґрунту, стикаються з проблемами, серед яких варіативність та інтенсивне використання ресурсів.

У цій роботі досліджується використання систем діаризації, які застосовують передові алгоритми машинного навчання для точного виявлення та розділення різних спікерів в аудіозаписах для реалізації системи виявлення зловмисників. Порівнюються декілька передових моделей діаризації, зокрема NeMo від Nvidia, Pyannote та SpeechBrain. Ефективність цих моделей оцінюється за допомогою типових метрик, що використову- ються для систем діаризації, таких як коефіцієнт помилки діаризації (DER) та коефіцієнт помилки Жакара (JER). Система діаризації була протестована в різних аудіоумовах.