Google Developers Italia: agosto 2017

Facets: uno strumento di visualizzazione open source per l’addestramento dei dati di machine learning

30 agosto 2017

code { background-color: transparent }Pubblicato da James Wexler, Senior Software Engineer, Google Big Picture Teaminiziativa PAIRFacetsFacets OverviewFacets Divenotebook Jupytersito web demo di FacetsFacets Overview

Visualizzazione di Facets Overview che mostra le sei funzioni numeriche dei set di dati dell’UCI Census[1]. Le funzioni sono in ordine di non-uniformità, con la funzione più non-uniforme in cima. I numeri in rosso indicano i possibili punti critici e in questo caso le funzioni numeriche presentano una percentuale elevata di valori impostati a 0. L’istogramma a destra consente di confrontare le distribuzioni dei dati di addestramento (blu) e quelle dei dati di test (arancione).

Visualizzazione di Facets Overview che mostra due delle nove funzioni categoriali dei set di dati dell’UCI Census[1]. Le funzioni sono ordinate in base alla distanza di distribuzione, con la funzione che presenta il maggiore disallineamento tra i set dei dati di addestramento (blu) e i dati di test (arancione) in cima. Per la funzione “Target” si può notare che i valori dell’etichettatura dei set dei dati di addestramento sono diversi da quelli dei dati di test a causa di un periodo prolungato nel set campione (“<=50K” rispetto a “<=50K.”). Ciò è evidente nel grafico della funzione e anche nelle voci della colonna “top” della tabella. La mancata corrispondenza delle etichettature potrebbe portare a una valutazione incorretta del modello addestrato e testato su questi dati.

Facets Dive

Visualizzazione di Facets Dive che mostra tutti i 16281 punti dati dei set di dati nel test UCI Census[1]. L’animazione mostra un utente che colora i punti dati in base a una funzione (“Relazione”), mostra le sfaccettature in una dimensione in base a una funzione continuativa (“Età”) e poi sfaccetta ulteriormente in un’altra dimensione in base a una funzione discreta “Stato coniugale”).

Visualizzazione di Facets Dive di un grande numero di disegni di visi presi da “Quick, Draw!” Dataset che mostra la relazione tra il numero di tratti e punti nei disegni e l'abilità del classificatore “Quick, Draw!” a categorizzarli correttamente come visi.

Fatto divertente:

Esplorazione del set di dati CIFAR-10 con Facets Dive. Mostriamo le sfaccettature delle etichette vere per riga e delle etichette previste per colonna. Il risultato sarà una visualizzazione della confusion matrix che consente di vedere nel dettaglio alcuni tipi particolari di classificazioni errate. Nel caso specifico il modello ML etichetta incorrettamente una piccola percentuale di gatti veri come rane. Un fenomeno interessante è che, inserendo le immagini reali nella confusion matrix, uno di questi “gatti veri” che il modello ha indicato essere una rana, dal punto di vista visivo sembra davvero una rana. Grazie a Facets Dive, possiamo stabilire che questa non era una vera e propria classificazione incorretta del modello ma piuttosto dati etichettati erroneamente nel set di dati.

Riesci a individuare la rana-gatto?

condividilo con noiRiconoscimentiTeam Big PictureRiferimenti bibliograficihttp://archive.ics.uci.edu/ml/datasets/Census+IncomeLearning Multiple Layers of Features from Tiny Images

Come imparare a utilizzare Cloud Spanner in 5 minuti

28 agosto 2017

code { background-color: transparent }

Pubblicato da Kelsey Hightower, Developer Advocate

La disponibilità generale di Cloud Spanner è davvero una bella notizia per gli sviluppatori. Per la prima volta avranno l'accesso diretto a un'infrastruttura con scalabilità orizzontale e cloud-native che offre operazioni globali (basti pensare alle applicazioni con pagamenti, inventari, servizi di biglietteria o trading finanziario) e che si basa sullo "standard d'oro" di forte coerenza esterna senza compromettere la latenza. Prova a farlo con un database RDBMS tradizionale o non relazionale.

Grazie alla Prova gratuita di GCP che offre 300 dollari di credito per un anno, è possibile iniziare con un cluster di Cloud Spanner a nodo singolo per un paio di settimane. Ecco come farlo utilizzando l'API Spanner tramite gcloud (fai clic qui per l'approccio basato sulla console).

Nella Cloud Console, vai alla pagina Progetti e crea un nuovo progetto o apri un progetto esistente facendo clic sul nome del progetto.
Apri una finestra del terminale e imposta il progetto come predefinito per gcloud. Esegui questa operazione sostituendo il tuo ID progetto (non il nome del progetto) con il seguente comando:

gcloud config set project [MY_PROJECT_ID]

Abilita fatturazione per il tuo progetto.
Abilita API Cloud Spanner per il tuo progetto.
Imposta l'autenticazione e l'autorizzazione (Cloud Spanner usa OAuth 2.0 out of the box) con il seguente comando:
```
gcloud auth application-default login
```
Le librerie client API ora ricevono automaticamente le credenziali create. È necessario eseguire il comando una sola volta per l'ambiente dell'utente locale. Nota: questo approccio è adatto allo sviluppo locale, per l'uso in produzione ti consigliamo di utilizzare un metodo differente di autorizzazione).

Crea un'istanza a nodo singolo.

gcloud spanner instances create test-instance
--config=regional-us-central1 \
--description="Test Instance" --nodes=1

Quindi crea un database. Crea un database chiamato test-db con il seguente comando:
```
gcloud spanner databases create test-db --instance=test-instance
```

Altrimenti puoi scaricare i dati esemplificativi e comunicare usando il linguaggio che preferisci.

Questo è tutto, ora il tuo database Cloud Spanner è pronto. Ricorda che il tuo credito GCP dovrebbe consentirti di eseguirlo gratuitamente per un paio di settimane. Da qui puoi scaricare i dati esemplificativi e comunicare usando il linguaggio che preferisci.

Iscrizioni a Google Developers Launchpad Studio per le startup che utilizzano l’AI e il ML

25 agosto 2017

code { background-color: transparent }Pubblicato da Roy Glasberg, Global Lead, Google Developers LaunchpadGoogle Developers LaunchpadGoogle Developers Launchpad StudioLe iscrizioni a Launchpad Studio sono aperte e puoi fare domanda qui.Launchpad Space

Toolkit di integrazione AI applicati: set di dati, ambienti di testing, prototipazione rapida, strumenti di simulazione e risoluzione dei problemi di architettura.

Supporto di validazione del prodotto: proof of concept e programmi pilota specifici per l’industria oltre a workshop con professionisti Fortune 500 e altri esperti del settore.

Accesso agli esperti di AI: consulenze di best practice da parte dei leader nel settore AI della nostra community globale, compresi Peter Norvig, Dan Ariely, Yossi Matias, Chris DiBona e molti altri.

Accesso a ingegneri di AI e investitori: interazione con alcuni dei migliori ingegneri di AI e ML, product manager, leader del settore e VC di Google, Silicon Valley, e altre sedi internazionali.

"L'innovazione è aperta a chiunque, ovunque. Grazie a questo programma internazionale ora abbiamo la preziosa opportunità di sostenere gli imprenditori di tutto il mondo che intendono utilizzare l'AI per risolvere le loro problematiche più grandi". Yossi Matias, VP di Engineering, Google

Come utilizzare il Deep Learning per creare fotografie di qualità professionale

23 agosto 2017

code { background-color: transparent }Pubblicato da Hui Fang, Software Engineer, Machine Perception

Una foto professionale (?) del Jasper National Park in Canada.

sistema di deep-learning sperimentaleAddestramento del modelloAVA

Un panorama (a) viene tagliato in (b), migliorato con la saturazione e il livello HDR in (c) e gli viene applicata una maschera drammatica in (d). Ogni fase viene guidata da uno degli aspetti di estetica già appresi.

generative adversarial networkpaperRisultati

Jasper National Park, Canada.

Interlaken, Svizzera.

Park Parco delle Orobie Bergamasche, Italia.

Jasper National Park, Canada.

Valutazione professionale

1. Punta e scatta senza tenere conto della composizione, l'illuminazione ecc.

2. Una bella foto per chi non ha alcuna formazione fotografica. Nulla di particolare dal punto di vista artistico.

3. Semi pro. Una bella foto con chiari aspetti artistici. Il fotografo è sulla buona strada per diventare un professionista.

4: Pro.

Punteggi dati dai fotografi professionisti alle foto con punteggi previsti diversi.

Progetti futuribachecaRiconoscimenti

Il Programma Google Brain Residency: un anno dopo

21 agosto 2017

code { background-color: transparent }Pubblicato da Luke Metz, Research Associate e Yun Liu, Software Engineer, Studente del 2016 Google Brain Residency“Nonostante la mia formazione statistica, fisica e chimica, mi sono avvicinata per la prima volta al Deep Learning e alla programmazione vera e propria grazie al Programma Google Brain Residency. Ho apprezzato l'autonomia ricevuta nell’ambito della ricerca sui diversi argomenti che mi interessavano, come il Deep Learning per la visione artificiale e il linguaggio, l'apprendimento per rinforzo e gli altri argomenti teorici. Originariamente volevo conseguire un dottorato in statistica ma l’esperienza qui mi ha spronata a iscrivermi al programma di Stanford CS di quest’autunno!”.Melody Guan, studentessa del Google Brain Residency 2016Programma Google Brain ResidencyNel corso dell'annopubblicato oltre 30 paperICLRICMLCVPREMNLPRSSGECCOISMIRISMBCosyneNIPSICCVBMVCNature MethodsDistillla deconvoluzione che causa gli artefatti a scacchieravisualizzazione di un modello generativo di scrittura manuale

Un articolo Distill degli studenti illustra in modo interattivo come la rete neurale genera la scrittura manuale.

Un sistema che dimostra come i robot possono imparare a imitare il movimento umano dall'osservazione. Per ulteriori dettagli, consulta “Time-Contrastive Networks: Self-Supervised Learning from Multi-View Observation” (scritto dallo studente Corey Lynch insieme a P. Sermanet, J. Hsu, S. Levine, accettato al CVPR Workshop 2017)

Un modello che utilizza l’apprendimento per rinforzo per addestrare le reti di Deep Learning su larga scala attraverso l'ottimizzazione di calcoli per l'assegnazione di dispositivi hardware. Per ulteriori dettagli, consulta “Device Placement Optimization with Reinforcement Learning” (scritto dagli studenti Azalia Mirhoseini e Hieu Pham, in collaborazione con Q. Le, B. Steiner, R. Larsen, Y. Zhou, N. Kumar, M. Norouzi, S. Bengio, J. Dean, presentato in occasione di ICML 2017).

Un approccio per automatizzare il processo di scoperta dei metodi di ottimizzazione, con particolare attenzione alle architetture di Deep Learning. La versione finale del paper “Neural Optimizer Search with Reinforcement Learning” (scritto dagli studenti Irwan Bello e Barret Zoph, in collaborazione con V. Vasudevan, Q. Le, presentato in occasione di ICML 2017) sarà disponibile a breve.

modelli sequenza per sequenza di uso generalesintesi musicaleimitazione di schizzi umanisottocampionamento di una sequenza per l'addestramento dei modellimeccanismo di "attenzione" efficace per modellianalisi di serie temporalig.co/brainresidency

Ero al lavoro e stavo per azionare un acceleratore al plasma da diversi megawatt...

16 agosto 2017

code { background-color: transparent }Pubblicato da Ted Baltz, Senior Staff Software Engineer, Google Accelerated Science TeamCosa intendi? Perché Google sarebbe interessata alla fisica del plasma?fusioneperiodo sufficienteTokamakITERStellaratorWendelstein 7-XNational Ignition FacilityAchievement of Sustained Net Plasma Heating in a Fusion Experiment with the Optometrist AlgorithmScientific ReportsTri Alpha EnergyHai appena detto di aver azionato un acceleratore al plasma?Field-reversed configurationpiù

Vista di C-2U

Perché non si può semplicemente simulare ciò che succederà? Questa non è semplice fisica?semplicimagnetoidrodinamicadinamica dei fluidialmeno di alcuni dei trilioni e passa di particelle individualisperimentarefield-reversed configuration di plasmaCosa c’entra questo con l’ottimizzazione? Cosa stai ottimizzando?Markov Chain Monte CarloMi piace l’MCMC!paperdopoA me non è successo. Questa settimana. Non ancora.apprendimento dalle preferenze umaneE ora?Norman Rostoker

RiconoscimentiTeam Google Accelerated Science

Come scegliere la corretta opzione di computing in GCP: l’albero decisionale

11 agosto 2017

code { background-color: transparent }Pubblicato da Terrence Ryan, Developer Advocate e Adam Glick, Product Marketing Manager
Google Cloud Platform1. Stai creando un'app mobile o HTML che si basa molto sul client dal punto di vista elaborativo?2. Stai creando un sistema basato più sugli eventi che sull'interazione degli utenti? In altre parole, stai sviluppando un’applicazione che risponde ai file caricati o magari agli accessi ad altre applicazioni?3. La tua soluzione esiste già altrove? Prevede software concesso in licenza? Utilizza altri protocolli a parte HTTP/S? . Stai cercando di creare un sistema basato su container costruito in Kubernetes?5. Stai creando un sistema stateful? Stai cercando di utilizzare le GPU nella tua soluzione? Stai creando una soluzione basata su container che non sia Kubernetes? Stai migrando una soluzione esistente on-premise al cloud?Stai usando un software concesso in licenza? Stai utilizzando altri protocolli a parte HTTP/S? Non riesci a trovare un'altra soluzione che soddisfi le tue esigenze?

Computing on Google Cloud Platformregistrandoti

Capire meglio l'attribuzione in Firebase Analytics

9 agosto 2017

code { background-color: transparent }Pubblicato da Todd Kerpelman, Developer Advocate

Per la campagna pubblicitaria n. 1 sono stati riportati 500 clic.

Per la campagna pubblicitaria n. 2 sono stati riportati 300 clic.

Per la campagna pubblicitaria n. 1 sono stati riportati 500 clic

Ma solo 80 utenti hanno installato e aperto l'applicazione
...e hanno speso una media di 1,20 $ ciascuno

Per la campagna pubblicitaria n. 2 sono stati riportati 300 clic...

Ma 230 di questi utenti hanno installato e aperto l'applicazione
...e hanno speso una media di 6 $ ciascuno
...e più di 100 di loro si sono iscritti alla tua newsletter?

attribuzione

L'origine è la rete pubblicitaria stessa (Vungle, AdWords ecc.).

Il supporto mediale registra il tipo di annuncio mostrato (banner in-game, video intermedio a schermo intero ecc.).

La campagna identifica la specifica campagna pubblicitaria in corso (litigio in ascensore, modello in costume da bagno a cavallo ecc.).

first_open

in_app_purchase

I postback

Oltre a ricevere informazioni di attribuzione dalle reti pubblicitarie, Firebase Analytics può riportare le informazioni a queste stesse reti in base a un concetto noto alla maggior parte degli esperti di marketing come il "completamento del cerchio della vita". In realtà nessuno lo chiama così, me lo sono appena inventato (ma suona bene, no?). Puoi chiedere a Firebase di comunicare a queste reti pubblicitarie che un utente ha completato un importante evento di conversione nell'applicazione, e ciò avviene tramite una chiamata nota come "postback".