Big Data
На конференции SPIE, на которую я ездила в Сан-Франциско, были хорошие презентации, были презентации и похуже, но одна проняла меня до глубины души. Я никогда ещё так не вдохновлялась исследованием, несмотря на то, что я с большой теплотой отношусь к своей научной работе про свет.
Изначально я пошла на неё по двум причинам: она Key Note, то бишь ключевая (но этого могло бы и не хватить, учитывая начало в полдевятого утра), и мне было интересно, что расскажет человек по имени Alexei (Alyosha) Efros. Именно так, с расшифровкой имени в скобках, он значился в программе.
Пример из презентации, которого не было в лекции. В интернете были собраны 100 фотографий с определенным содержанием, немного отцентрованы и усреднены. Все такие особенные и неповторимые.
Презентация, по крайней мере для меня, была потрясающей. То, что он делает - пытается "научить" компютеры понимать не пиксели, а картинку в целом - это очень круто. Если мне не совсем лень будет переквалифицироваться, я бы очень хотела этим заниматься, потому что ощущается просто захватывающе.
Потом в интернете я нашла почти идентичную лекцию на несколько месяцев "моложе" той презентации и снова испытала "интеллектуальные мурашки".Решила с вами поделится и составить оглавление, понимая, что наверняка многим будет в лом смотреть полное часовое видео. И тут меня ждало есчё дно открытие - почти каждая микротема занимает оперделённое количество минут! То есть, выглядит ето, как будто он так запросто рассказывает, но это, похозе, совсем не так! Круто, хочу тоже так рассказывать.
1:05 - Вступлеине
4:45 - Проект по синтезу текстур
8:00 - Два подхода: математическое моделирование и моделирование более сложных вещей. (Тут я вспомнила шутку, что разделить функции на линейные и нелинейные - это как поделить вселенную на бананы и не бананы)
11:00 - Magic of data: много данных + простые алгоритмы = unreasonable (необоснованная) эффективность
13:30 - Плохие новости: визуальные данные трудно обрабатывать и почему
16:00 - Какие-то решения? Да, но только для определённых сфер
23:00 - Куча мусора
24:15 - Повышение соответствия данных: просто добавь водыданных
25:00 - Примеры с редактированием изображений
27:55 - Почему это так хорошо работает?
29:55 - Есть определённые области, где простое добавление данных не работает, и таких областей много.
31:05 - Компютер не может читать ваши мысли
33:30 - Возможно, мы заинтересованы в определённой области изображения, и как брать это в рассчёт
37:45 - Пример перефотографирования
40:30 - Mining images: Что делает Париж Парижем?
43:30 - Clustering
47:45 - Проблема парижской уличной таблички
55:00 - Заключение
Изначально я пошла на неё по двум причинам: она Key Note, то бишь ключевая (но этого могло бы и не хватить, учитывая начало в полдевятого утра), и мне было интересно, что расскажет человек по имени Alexei (Alyosha) Efros. Именно так, с расшифровкой имени в скобках, он значился в программе.
Пример из презентации, которого не было в лекции. В интернете были собраны 100 фотографий с определенным содержанием, немного отцентрованы и усреднены. Все такие особенные и неповторимые.
Презентация, по крайней мере для меня, была потрясающей. То, что он делает - пытается "научить" компютеры понимать не пиксели, а картинку в целом - это очень круто. Если мне не совсем лень будет переквалифицироваться, я бы очень хотела этим заниматься, потому что ощущается просто захватывающе.
Потом в интернете я нашла почти идентичную лекцию на несколько месяцев "моложе" той презентации и снова испытала "интеллектуальные мурашки".Решила с вами поделится и составить оглавление, понимая, что наверняка многим будет в лом смотреть полное часовое видео. И тут меня ждало есчё дно открытие - почти каждая микротема занимает оперделённое количество минут! То есть, выглядит ето, как будто он так запросто рассказывает, но это, похозе, совсем не так! Круто, хочу тоже так рассказывать.
Click to view1:05 - Вступлеине
4:45 - Проект по синтезу текстур
8:00 - Два подхода: математическое моделирование и моделирование более сложных вещей. (Тут я вспомнила шутку, что разделить функции на линейные и нелинейные - это как поделить вселенную на бананы и не бананы)
11:00 - Magic of data: много данных + простые алгоритмы = unreasonable (необоснованная) эффективность
13:30 - Плохие новости: визуальные данные трудно обрабатывать и почему
16:00 - Какие-то решения? Да, но только для определённых сфер
23:00 - Куча мусора
24:15 - Повышение соответствия данных: просто добавь водыданных
25:00 - Примеры с редактированием изображений
27:55 - Почему это так хорошо работает?
29:55 - Есть определённые области, где простое добавление данных не работает, и таких областей много.
31:05 - Компютер не может читать ваши мысли
33:30 - Возможно, мы заинтересованы в определённой области изображения, и как брать это в рассчёт
37:45 - Пример перефотографирования
40:30 - Mining images: Что делает Париж Парижем?
43:30 - Clustering
47:45 - Проблема парижской уличной таблички
55:00 - Заключение