Перейти к содержанию

Норман Старший

Members
  • Публикаций

    11
  • Зарегистрирован

  • Посещение

Репутация

0 Neutral
  1. Xiaomi выпустила смартфон Mi Mix Alpha с экраном, покрывающим корпус практически со всех сторон. Дисплей расположен одновременно и спереди, и сзади, и по бокам. Кроме того смартфон первым в мире заполучил камеру на 108 МП. Одновременно с ним состоялась презентация смартфона Mi 9 Pro 5G и новой серии телевизоров Mi Full Screen TV Pro.
  2. Иску́сственная нейро́нная се́ть (ИНС) — математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. Первой такой попыткой были нейронные сети У. Маккалока и У. Питтса. После разработки алгоритмов обучения получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др. Машинное обучение (англ. machine learning, ML) — класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение в процессе применения решений множества сходных задач. Для построения таких методов используются средства математической статистики, численных методов, методов оптимизации, теории вероятностей, теории графов, различные техники работы с данными в цифровой форме. Обширный подраздел искусственного интеллекта, изучающий методы построения алгоритмов, способных обучаться. Два типа обучения: Обучение по прецедентам, или индуктивное обучение, основано на выявлении эмпирических закономерностей в данных. Дедуктивное обучение предполагает формализацию знаний экспертов и их перенос в компьютер в виде базы знаний. Обучение на примерах (Обучение по прецедентам) (англ. Learning from Examples) — вид обучения, при котором интеллектуальной системе предъявляется набор положительных и отрицательных примеров, связанных с какой-либо заранее неизвестной закономерностью. В интеллектуальных системах вырабатываются решающие правила, с помощью которых происходит разделение множества примеров на положительные и отрицательные. Качество разделения, как правило, проверяется экзаменационной выборкой примеров. База знаний (БЗ; англ. knowledge base, KB) — база данных, содержащая правила вывода и информацию о человеческом опыте и знаниях в некоторой предметной области. В самообучающихся системах база знаний также содержит информацию, являющуюся результатом решения предыдущих задач. Основные стандартные типы задач: Обучение с учителем (supervised learning) — наиболее распространённый случай. Каждый прецедент представляет собой пару «объект, ответ». Требуется найти функциональную зависимость ответов от описаний объектов и построить , принимающий на входе описание объекта и выдающий на выходе ответ. Функционал качества обычно определяется как средняя ошибка ответов, выданных алгоритмом, по всем объектам выборки. Обучение без учителя (unsupervised learning). В этом случае ответы не задаются, и требуется искать зависимости между объектами. Частичное обучение (semi-supervised learning) занимает промежуточное положение между обучением с учителем и без учителя. Каждый прецедент представляет собой пару «объект, ответ», но ответы известны только на части прецедентов. Пример прикладной задачи — автоматическая рубрикация большого количества текстов при условии, что некоторые из них уже отнесены к каким-то рубрикам. Трансдуктивное обучение (transductive learning). Дана конечная обучающая выборка прецедентов. Требуется по этим частным данным сделать предсказания отностительно других частных данных — тестовой выборки. В отличие от стандартной постановки, здесь не требуется выявлять общую закономерность, поскольку известно, что новых тестовых прецедентов не будет. С другой стороны, появляется возможность улучшить качество предсказаний за счёт анализа всей тестовой выборки целиком, например, путём её кластеризации. Во многих приложениях трансдуктивное обучение практически не отличается от частичного обучения. Обучение с подкреплением (reinforcement learning). Роль объектов играют пары «ситуация, принятое решение», ответами являются значения функционала качества, характеризующего правильность принятых решений (реакцию среды). Как и в задачах прогнозирования, здесь существенную роль играет фактор времени. Примеры прикладных задач: формирование инвестиционных стратегий, автоматическое управление технологическими процессами, самообучение роботов, и т.д. Динамическое обучение (online learning) может быть как обучением с учителем, так и без учителя. Специфика в том, что прецеденты поступают потоком. Требуется немедленно принимать решение по каждому прецеденту и одновременно доучивать модель зависимости с учётом новых прецедентов. Как и в задачах прогнозирования, здесь существенную роль играет фактор времени. Активное обучение (active learning) отличается тем, что обучаемый имеет возможность самостоятельно назначать следующий прецедент, который станет известен. Метаобучение (meta-learning или learning-to-learn) отличается тем, что прецедентами являются ранее решённые задачи обучения. Требуется определить, какие из используемых в них эвристик работают более эффективно. Конечная цель — обеспечить постоянное автоматическое совершенствование алгоритма обучения с течением времени. Многозадачное обучение (multi-task learning). Набор взаимосвязанных или схожих задач обучения решается одновременно, с помощью различных алгоритмов обучения, имеющих схожее внутренне представление. Информация о сходстве задач между собой позволяет более эффективно совершенствовать алгоритм обучения и повышать качество решения основной задачи. Индуктивный перенос (inductive transfer). Опыт решения отдельных частных задач обучения по прецедентам переносится на решение последующих частных задач обучения. Для формализации и сохранения этого опыта применяются реляционные или иерархические структуры представления знаний. Иногда к метаобучению ошибочно относят построение алгоритмических композиций, в частности, бустинг; однако в композициях несколько алгоритмов решают одну и ту же задачу, тогда как метаобучение предполагает, что решается много разных задач.
  3. Мы стоим на пороге нового и неизведанного. Конечно же, завтра за окном, вряд ли начнут приземляться инопланетные корабли. Однако высокотехнологическая эра уже вступила в свои права, информируют Новости ИТ со ссылкой на infuture.ru. И это можно хорошо проследить, сравнив черно-белые пэйджеры 90-х с нынешними смартфонами, которые по мощности ни чем не хуже среднего компьютера. А прошло всего лишь двадцать лет. Что же стоит ожидать в ближайшем будущем? 1. Умное стекло Сегодня вокруг нас все становится умным. И самое неожиданное, что можно увидеть утром в ванной – это умное стекло. Оно будет небьющимся и сенсорным, сможет становиться непрозрачным в случае необходимости. Данная технология поможет полностью изменить облик жилья или рабочего кабинета. Каким образом? К примеру, можно повесить умное зеркало на стену и сделать из него окно, да еще вдобавок и с видеозаписью всего происходящего. Можно провести рукой по этому “чудо окну”, и оно моментально превращается в телевизор. Это невероятно, не так ли? 2. Домашние роботы Над головой во дворе пролетел дрон? Не стоит волноваться, это всего лишь начало целой эпохи роботов. И чем дальше, тем более разумными и дружелюбными они становятся. Благо, развитие робототехники не стоит на месте и совсем скоро мир увидит что-то невероятное. И не важно, будут ли это механические руки на месте бармена или что-то наподобие Asimo от Honda – оно будет интеллектуальным, удобным и крайне необходимым. Так что не стоит удивляться, если в придачу к телевизорам, компьютерам, стиральным машинам и микроволновкам по дому будет перемещать армия роботов, выполняя различную работу. 3. Высокоинтеллектуальный ИИ (искусственный интеллект) Настало то время, когда можно вполне серьезно говорить о виртуальном напарнике. Нет, это не Siri, которая вряд ли поймет высокоинтеллектуальный, глубокий юмор. Инженеры днями и ночами работают над целой разумной личностью, которая сможет полностью понимать эмоции, слова, мимику, и давать полноценный и точный ответ, вести себя почти как живой человек. Этот кибернетический напарник – не фантастическое будущее, а реальность ближайшего времени. Нынешние разработки в сфере ИИ позволяют уже программе понимать ваше настроение, видеть лицо и красочно описывать все, что находится вокруг. И это только начало. 4. Голограммы Потенциал данной технологии настолько велик, что может ограничиваться лишь человеческой фантазией. Даже загадочная магия из мифов и легенд была не способна на такое. Побывать на Марсе, построить в воздухе целый собственный мир, окунуться внутрь атмосферной видеоигры в качестве участника – это лишь малая часть того, что могут подарить миру голограммы. Дополненная физическая реальность цифровыми объектами – это то самое светлое, высокотехнологическое будущее, которое часто можно наблюдать в голливудских фильмах или фантастических романах. 5. Эволюционирование человека в биоробота Чем больше человечество впадает в зависимость от технологий, тем больше оно превращается в биороботов. Для многих это возможность расширить человеческие возможности, как в интеллектуальном плане, так и физическом. Усиленный скелет, глаза-видеокамеры, контроль техники силой разума и многое другое стирает границы между машиной и человеком. Кто знает, возможно, уже совсем скоро многим станет доступна возможность испытать чудеса бионики на себе. Источник:
  4. Slack сбрасывает пароли 1 % пользователей из-за утечки учётных данных, случившейся в 2015 году. Тогда злоумышленники не только похитили хеши паролей, но и внедрили на сайт Slack вредоносный код. Он собирал пароли в текстовом виде, в то время, когда их вводили пользователи. После расследования Slack сбросила часть паролей, добавила двухфакторную аутентификацию, и на том инцидент вроде бы был исчерпан. Но недавно через программу Bug Bounty компания получила целую пачку учётных данных, около 65 тысяч. Они оказались связаны с той же утечкой. Специалисты Slack говорят, что не обнаружили следов компрометации затронутых аккаунтов, но пароли на всякий случай сбросят. Это коснётся примерно 100 тысяч пользователей.
  5. Перевод статьи Harshita Arora В этой статье я поделюсь поэтапным процессом проектирования, которому я следую при работе над приложениями. Это должно помочь тем, кто хочет научиться или улучшить свои навыки цифрового дизайна. Я начала изучать графический дизайн, когда мне было 13 лет. Я научилась проектировать веб-сайты по онлайн-курсам и целыми днями игрался с Photoshop и Affinity Designer. Этот опыт научил меня мыслить, как дизайнер. Я занимаюсь проектированием и разработкой приложений уже почти год. Я приняла участие в программе Массачусетского технологического института, где я работала в команде по разработке приложения Universeaty. Два месяца назад я начала работать над новым приложением Crypto Price Tracker, которое вышло недавно, 28 января. В этой статье я поделюсь поэтапным процессом проектирования, которому я следую при работе над приложениями. Это должно помочь тем, кто хочет научиться или улучшить свои навыки цифрового дизайна. Дизайн – это не только то, как использовать программное обеспечение для проектирования, и эта статья не научит вас, как его использовать. Есть сотни качественных обучающих программ в Интернете. Дизайн также касается понимания сути вашего продукта, его функциональности, а также проектирования, не забывая о конечных пользователях. Вот чему вас научит эта статья. Процесс проектирования: Создайте юзерфлоу для каждого экрана. Создайте / нарисуйте прототипы. Выберите шаблоны дизайна и цветовые палитры. Создайте дизайн. Создайте анимированный прототип приложения и попросите людей проверить его и оставить отзыв. Сделайте финальную ретушь макетов, чтобы все финальные экраны были готовы к разработке. Давайте начнем! Юзерфлоу Первый шаг – выяснить, какие функции вы хотите видеть в своем приложении. После того, как у вас появились идеи, создайте юзерфлоу. Это блок-схема работы вашего приложения. Обычно юзерфлоу состоит из трех типов фигур. Прямоугольники используются для представления экранов. Ромбы используются для условий (например, нажатие кнопки входа в систему, свайп влево, увеличение). Стрелки соединяют экраны и условия вместе. Юзерфлоу очень полезны, потому что они дают хорошее логическое представление о том, как приложение будет функционировать. Вот диаграмма юзерфлоу, которую я нарисовала, когда начала работать над дизайном моего приложения. Блок-схема юзерфлоу для основного интерфейса. Прототипы После того, как вы завершили делать юзерфлоу для каждого экрана, вы начнете работать с протопипами всех экранов. Прототипы – это, по сути, низко детализированные наброски ваше приложение. По сути, эскиз или схема того, где будут располагаться изображения, ярлыки, кнопки и прочее. Грубый эскиз того, как ваше приложение будет работать. Я использую печатные шаблоны из UI Stencils для рисования каркасов. Это экономит время и дает хорошую рабочую область для рисования и заметок. Вот пример прототипа. Прототип интерфейса мобильного приложения После создания прототипов вы можете использовать приложение под названием Pop и сделать снимок всех своих рисунков с помощью приложения и получить кликабельный прототип, связав все экраны с помощью кнопок. Наброски дизайна и цветовые палитры Это моя любимая часть. Это похоже на разглядывание витрин. Множество паттернов дизайна и цветовых палитр на выбор. Я выберу те, которые мне нравятся, и буду экспериментировать с ними. Лучшие платформы для поиска паттернов – это Mobile Patterns и Pttrns. И чтобы найти хорошие цветовые палитры, посетите сайт Color Hunt. Дизайн Наконец вы переходите к использованию программного обеспечения для создания дизайна. Это похоже на то, что вы вошли в свое приложение в будущем, и сделали несколько скриншотов. Это должно выглядеть реалистично и в значительной степени похоже на реальную вещь. Существуют программные средства разработки и инструменты для создания дизайна. Я использую Affinity Designer. Наиболее часто используемым инструментом для дизайна iOS является Sketch. Вот пример некоторых ранних дизайнов моего приложения. Перенесение карандашного рисунка в пиксели! Я больше экспериментировала с различными цветовыми палитрами. Разные цветовые решения мобильного приложения Я поделилась первоначальными макетами с друзьями, чтобы получить их отзывы. Кажется, многим понравилась схема с золотым градиентом и черным. Будьте готовы получить отзывы и поэкспериментировать с новыми предложениями! Вы получите удивительные отзывы от своих пользователей, когда разговариваете с ними, а не когда лихорадочно просматриваете Dribbble или Behance. Поэтому я переработала макет и удалила фоновые графики, потому что их генерация была технически трудоемким процессом, и они снижали читабельность. Что в итоге вышло: Золотой градиент с черным на удивление хорошо выглядит! Я была довольна цветовой схемой, значками на панели вкладок и общей компоновкой. Я пошла дальше и разработала остальные экраны, следуя тем же принципам дизайна. Это был долгий, но безумно увлекательный процесс! Когда все мои экраны были готовы, я собрала прототип в Adobe XD и попросила нескольких друзей поэкспериментировать и дать свой отзыв. После последних штрихов именно так выглядит финальная версия моего дизайна. Финальная версия дизайна После того, как все экраны были завершены, я импортировала их в Xcode и начала разработку приложения. Вот и все! Я надеюсь, что эта статья поможет вам начать работу над дизайном приложения или поможет стать лучшим дизайнером. И если вам нравится мое приложение, вы можете скачать его здесь. Я заканчиваю статью одной из моих любимых цитат о дизайне «Дизайн – это не только, как предмет выглядит и ощущается. Дизайн – это то, как он работает» – Стив Джобс
×
×
  • Создать...

Важная информация

By using this site, you agree to our Условия использования.