Tribe Gwiezdne wojny Pop Darth Vader

Słuchawki dla fanów Gwiezdnych wojen

Więcej...

Sennheiser IE 800 S

Słuchawki dla smakoszy

Więcej...

Sennheiser GSP 600

Gamingowe słuchawki dla wymagających

Więcej...

Natec Firefly Pro

Lampka inna niż reszta

Więcej...

Sennheiser Momentum Free In-Ear Wireless

Świetne, rewelacyjne, niesamowite

Więcej...

Ciekawe statystyki


61% firm odnotowało co najmniej jeden incydent związany z nieuprawnionym dostępem do danych z poziomu urządzeń drukujących
Ogólna liczba rejestrowanych domen wzrosła o 11,8 miliona, rodzimy rynek domen z rozszerzeniem .pl nieprzerwanie się kurczy. Według najnowszego raportu NASK liczba nowych rejestracji z końcówką .pl - w ...
Domeny krajowe są popularne w europejskim biznesie. W krajach takich jak Niemcy, Włochy, Francja czy Rosja, liczba stron z adresem zawierającym oznaczenie danego kraju (odpowiednio .de, .it, .fr oraz .ru) urosła pod ...
W naszym kraju telefon komórkowy ma już 74% Polaków, czyli 28,4 miliona osób. Z kolei 6,6 miliona z nich gra w gry mobilne.
2.57 mln domen z końcówką pl jest utrzymywanych w Polsce
Obecnie gracze najchętniej  wykorzystują podczas gamingu komputery PC (ponad 80%), jednak badanie AVM pokazuje bardzo szybki rozwój i wzrost zainteresowania grami na urządzeniach mobilnych. 
Z raportu BSA Global Software Survey opublikowanego w 2014 roku wynika, że 51 proc. oprogramowania zainstalowanego w Polsce w poprzednim roku nie miało licencji, w porównaniu z 43 proc. w skali ...
Z najnowszych badań przeprowadzonych na próbie ponad 600 tys. serwisów WWW wynika, że 41% z nich odwiedzanych jest spoza terytorium Polski
Rynek aplikacji i gier mobilnych w 2016 roku będzie wart 44,8 mld dolarów i ponad 80 mld w 2020 roku Rynek aplikacji i gier mobilnych w 2016 roku będzie wart 44,8 mld dolarów i ponad 80 mld w 2020 roku
Według najnowszych prognoz Newzoo, rynek gier i aplikacji mobilnych wygeneruje w 2016 roku przychód na poziomie 44,8 mld dolarów a w 2020 ponad 80 miliardów dolarów.

Kalendarz

Pn Wt Śr Cz Pt So N
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

Podziel się ze mną swoimi uwagami na temat mojego bloga, co Ci się podoba, co Ci się nie podoba, jakie recenzje chciałbyś tu zobaczyć itp.

Kliknij mnie

 

G DATA: Inteligentne maszyny - skala zastosowania machine learning wciąż rośnie

Skala zastosowania machine learning wciąż rośnie

Machine learning i sztuczna inteligencja to najszybciej rozwijająca się gałąź technologii w ostatnim czasie i jeden z top tematów, poruszanych również w kontekście ekonomii i gospodarki. Nic nie wskazuje na to, by miało się to szybko zmienić. Jest wprost przeciwnie - zdaniem ekspertów przed nami kolejny technologiczny boom oparty o te właśnie rozwiązania. Wraz z ich upowszechnieniem całokształt funkcjonowania znanych nam instytucji może ulec zmianie.

Co należy rozumieć przez Machine Learning?
Według pierwotnej definicji stworzonej w latach 50. ubiegłego wieku przez amerykańskiego naukowca Arthura Samuela, machine learning polega na uczeniu się przez komputer nowych umiejętności bez bezpośredniego ich programowania, czyli na przykład zapamiętywaniu i stosowaniu w praktyce wcześniej przetworzonych algorytmów. Innymi słowy - doskonalenia się na podstawie doświadczenia. Dziś mówimy o deep learning, czyli uczeniu się bazującym na rozwiązaniach AI, robotyce, statystyce, rozpoznawaniu wzorców, psychologii czy kognitywistyce w oparciu o sieci neuronowe. System zmienia swoje wewnętrzne parametry tak, aby rozpoznać charakter pojawiających się danych.

Machine learning to technologia pozwalająca na automatyczne przetwarzanie i analizę dużej ilości danych. Pozwala na kategoryzację danych, analizę powiązań między zmiennymi oraz grupowanie ich w klastry o podobnych właściwościach.

Wyróżnia się trzy najważniejsze sposoby uczenia się machine learning:

• supervised learning (uczenie nadzorowane) - na wstępie do systemu wprowadzane są dane wejściowe i wyjściowe, odpowiednio: pomiary i etykiety. System tworzy reguły, które mapują wejście na wyjście. Dzięki temu system jest w stanie przypisać wyjście danej, której nie było na wejściu;
• unsupervised learning (uczenie nienadzorowane) - system nie dostaje danych wejściowych, musi sam utworzyć regułę wejścia i zgeneralizować ją;
• reinforcement learning (uczenie wzmocnione) - system nie dostaje żadnych danych na wejściu ani na wyjściu, dostaje tylko wskazówki, czy kategoryzacja przebiega poprawnie. Przypomina to metodę kar i nagród.

W zależności od problemu, jaki ma być przeanalizowany, wybierany jest odpowiedni sposób uczenia się. Machine learning wykorzystuje się do:

● zabezpieczania przed oszustwami w transakcjach finansowych i przewidywania trendów finansowych i ekonomicznych,
● zabezpieczania systemów i baz danych (też ochronie antywirusowej),
● nawigacji na nieznanym terenie,
● rozpoznawania mowy oraz rozpoznawania twarzy,
● rozpoznawania wzorców (pattern recognition),
● klasyfikacji dokumentów,
● diagnostyki medycznej i kosmetycznej,
● tworzenia systemów rekomendacji online
● rozpoznawania elementów na zdjęciu (object recognition),
● sterowania pojazdami autonomicznymi,
● spersonalizowanego dostosowywania reklam (marketing).

Nowa generacja AV

Cyberbezpieczeństwo to bardzo ważny obszar zastosowania technologii uczenia maszynowego. Producenci oprogramowania antywirusowego wykorzystują umiejętność rozpoznawania wzorców i tworzenie kategorii plików do analizy danych pod kątem zagrożenia.
- Oprogramowanie antywirusowe nowej generacji, oparte na machine learningu jest w stanie wykrywać szkodliwe oprogramowanie oraz uczyć się, jakie cechy lub grupy cech są podejrzane - tłumaczy Robert Dziemianko z G DATA. - Dzięki tej funkcjonalności możliwe jest przewidywanie zagrożenia oraz tworzenie prawdopodobnych modeli szkodliwych elementów. Odbywa się to poprzez zestawienie cech szkodliwego oprogramowania, które wcześniej zostało poddane analizie - dodaje ekspert z G DATA.

Przewidywane kierunki rozwoju machine learning

Według analityka Daniela Newmana, w 2019 roku możemy spodziewać się nowych zastosowań uczenia się maszyn w wielu różnych branżach. Dla sektora produkcyjnego i wojska będzie to rozwój systemów, które przewidują, kiedy maszyny, albo w przypadku wojska - pojazdy bojowe, będą potrzebowały naprawy czy wymiany części lub płynów. Rozwój polega na podniesieniu efektywności działania poprzez gromadzenie danych na temat eksploatacji i wyciąganie z nich wniosków na przyszłość. Taki sposób działania umożliwia unikanie przestojów w produkcji, ponieważ dostarcza precyzyjnych danych na temat eksploatacji maszyn czy narzędzi.
Podobne zastosowanie machine learning zaczyna pojawiać się w branży automotive. Z dużą dozą prawdopodobieństwa już niedługo nasze samochody będą informowały nas o tym, że niedługo coś się w nich zepsuje. Nie byłby to pierwszy przypadek transferu technologii używanej w armii do produkcji cywilnej.
Kolejny dość prawdopodobny kierunek rozwoju ML to giełda papierów wartościowych. Już dziś ML ma u inwestorów wiele zastosowań, jednak przewidywanym przez ekspertów scenariuszem jest wykorzystanie uczenia się maszyn do przewidywania sytuacji na rynku w oparciu o publicznie dostępne informacje o zarobkach. Jeśli zestawi się te dane z cenami papierów wartościowych oraz danymi o rozpoczętych w danym okresie inwestycjach, można otrzymać narzędzie prognozujące.
Na podobnej zasadzie można przewidzieć prawdopodobieństwo śmierci pacjenta. W fazie testów ML analizujący taki problem wykazał się 95% dokładnością. W jaki sposób? Zestawiając ze sobą dane medyczne osoby, dane demograficzne, środowiskowe czy związane z obserwowanymi online zainteresowaniami danego człowieka. Śmierć da się przewidzieć z dokładnością do 24 godzin. Ten pomysł brzmi nieco makabrycznie, zwłaszcza, gdy pomyśli się o zastosowaniu go przez towarzystwo ubezpieczeniowe. Jednak na tym nie kończy się spektrum możliwych zastosowań. Teoretycznie w ten sposób można uczynić system opieki zdrowotnej bardziej wydajnym, a nawet uratować komuś życie reagując w odpowiednim momencie i udzielając pomocy.

Znajdziesz mnie:

Sign in with Google+ Subscribe on YouTube