Reconhecimento facial com Java

#IA #deeplearning #redeNeural #CNN #reconhecimentoFacial #java #deeplearning4j #openimaj #neuraljava

Te ensino como criar uma CNN para reconhecimento facial totalmente em Java: https://github.com/cleuton/neuraljava/tree/master/cnn_java

Nvidia Jetson Nano: Encontro do IoT com IA

#IA #IoT #GPU #deeplearning #visãoComoutacional

O Nvidia Jetson Nano está naquele ponto obscuro onde  IA encontra o IoT. É um computador completo, com GPU e GPIOs, que você pode usar em seus projetos:

• Na caixa só vem a placa, nada mais;
• Você precisará de: Um cartão Micro SD (para baixar o SO), uma fonte micro USB de 5v/2a, um monitor de vídeo, um teclado, um mouse e um cabo Ethernet, pelo menos para o primeiro boot;
• Não tem WiFi nem Bluetooth, mas você pode usar um dispositivo WiFi USB;
• Opcionalmente, você pode alimenta-lo por com um adaptador barrel jack de 5v/4a, mas tem que usar um jumper;
• Também pode ser alimentado via GPIO;
• Tem uma UART, portanto, pode se conectar a dispositivos seriais;
• Tem um conector de câmera MIPI, portanto, você pode conectar uma câmera do Raspberry Pi;
• Tem uma GPU de 128 cores;
• Não tem microcontrolador integrado, portanto, se você precisar controlar hardware em tempo real, será necessário utilizar algo como um Arduino conectado a ele. 

GPU e Java

#ia #deeplearning #GPU #ND4J #CUDA #java

Usar GPU é necessário para deep learning? Não dá para usar um cluster de CPUs? E como posso usar a GPU em Java?

Confira este novo artigo: 

https://github.com/cleuton/neuraljava/tree/master/gpu_cpu

Deeplearning4J: Finalmente uma alternativa!

#ia #neuralnetwork #java #deeplearning4j

DeepLearning4J é a grande alternativa para desenvolver modelos de IA robustos e de alto desempenho. É capaz de usar CUDA e OpenCV, e até importar modelos criados com #keras, independentemente da plataforma em que foram criados e treinados (Python, R...). Veja este tutorial que eu fiz: https://github.com/cleuton/neuraljava/tree/master/python_java_keras

Deep learning colaborativo: Python e Java

#deeplearning #produção #java #keras

Desenvolvimento em Python, Produção em Java!

Não é preciso muito para concluir que Java é uma ótima opção para entregar aplicações em ambiente produtivo. É mais limpa e possui menos dependências espalhadas que outras linguagens de programação, como Python (que, por sinal, eu adoro). Enquanto Python é excelente para desenvolvimento, prototipação e experimentação, especialmente em ciência de dados e IA, perde um pouco quando pensamos em ambiente produtivo. Por quê?

* Performance: Além da questão do GIL, há vários benchmarks que comprovam o desempenho superior de aplicações Java, como este: https://benchmarksgame-team.pages.debian.net/benchmarksgame/fastest/python.html;

* Robustez: Com Java, temos pouca entropia de ambiente, isso quer dizer, menos dependências espalhadas e menos fragilidade. Basta que a JVM esteja instalada corretamente, que o resto das dependências pode ser embutida em um uber jar ou um war;

* Segurança: Embora existam decompiladores Java, podemos obfuscar o bytecode e entregar apenas o executável. Em outras linguagens, como Python, ficamos limitados a entregar o código-fonte. 

https://github.com/cleuton/neuraljava/tree/master/python_java_keras

Desenvolvimento com Python, Produção com Java!

#ia #deeplearning #python #java #tensorflow #deeplearning4j #keras #neuraljava
Mais um artigo da série NeuralJava: Desenvolvimento com Python, Produção com Java! Como desenvolver e treinar modelos com Python, Keras e Tensorflow, e exportá-los para uma aplicação Java com DeepLearning4J:

https://github.com/cleuton/neuraljava/tree/master/python_java_keras

Deep learning com Java

#ia #deeplearning #java

Esqueçam a política e aprendam algo novo! Isso põe "pão na mesa"!

Tudo o que você precisa para realizar trabalhos de deep learning de forma profissional, com Java, esta aqui! Grátis! Te esperando! Em breve, mais um tutorial e mais um vídeo! https://github.com/cleuton/neuraljava

Inteligência artificial aplicada

#ia #GAN #VAE #RBM #DeepReinforcementLearning

Veja neste artigo alguns exemplos de IA aplicada, utilizando modelos de redes neurais diferentes.

Generative Adversarial Networks é uma tecnologia de Inteligência Artificial baseada em redes neurais competitivas, em que uma tenta gerar novos dados falsos e enganar a segunda, que tenta distinguir os falsos dos verdadeiros. É possível gerar tudo, de música até imagens, e é assustadora a melhoria deste tipo de modelo. 

Este artigo é muito bom e oportuno, pois ensina a identificar rostos falsos, gerados por GANs. Em breve, publicarei um pequeno tutorial sobre o assunto.

https://medium.com/@kcimc/how-to-recognize-fake-ai-generated-images-4d1f6f9a2842

Variational AutoEncoders são um tipo de modelo de redes neurais que podem recriar objetos originais, removendo ruídos e até produzindo novos textos, por exemplo. Em breve, será quase impossível distinguir um texto falso. Veja este projeto! 

https://github.com/rohithreddy024/VAE-Text-Generation

Restricted Boltzmann Machine é um tipo de rede neural generativa, que pode aprender uma distribuição de probabilidades a partir da entrada, sendo capaz de reconstruir ou gerar novos dados sem supervisão. Veja este projeto de geração de música: 

https://github.com/pranavsnathan/Music-Generation-using-Restricted-Boltzmann-Machines-RBMs-

Deep reinforcement learning é uma técnica de IA para treinar agentes autônomos a interagirem com o ambiente e conquistarem objetivos. Esse tipo de tecnologia é algo a se considerar e temer. Veja este projeto:

https://medium.com/data-hackers/deep-reinforcement-learning-aprendendo-a-jogar-atari-99c79becbf19

Serverless é a solução

#serverless

Arquitetura Serverless é a verdadeira "disrupção" (eu sei que tem gente que gosta desse termo)! Eu já pregava isso há alguns anos: REST + Microservices + Serverless! Este ótimo artigo ajuda a entender como é essa implementação https://dev.to/trek10inc/ci-cd-aws-and-serverless-5-tips-i-learned-the-hard-way-223p

Datascience e Romantismo

#ia #NLP #R #datascience

Processar textos e informações não estruturadas é cada vez mais importante. Uma das coisas mais fundamentais é resumir e abstrair textos, classificando-os. Com R podemos fazer isto rapidamente, extraindo e pesando os termos mais importantes, como neste exemplo, no qual analiso "A Canção do Exílio", de Gonçalves Dias, escrita em 1843. Podemos notar a relevância dos termos e entender que se trata de um texto dos primeiros momentos do Romantismo Brasileiro. https://github.com/cleuton/datascience/blob/master/book-R/tidy.ipynb

Data science com python, R, Julia etc

#datascience #python #R #julia #tensorflow #curso

Quer aprender ciência de dados e #machinelearning? Sem embromação? Grátis? Veja o meu projeto dataLearningHub e tenha tudo isso ao seu alcance! http://datalearninghub.com