luckyea77

Информационно-развлекательный портал: http://luckyea.ucoz.ru/

Добро пожаловать в мой блог!

Посмотрев на метки вы можете понять о чем я пишу в этом блоге.

Мои страницы:
Twitter
Facebook
Добавляйтесь!

Содержание блога:
2014 год (по темам)
2015 год
январь
февраль
март
апрель
май
июнь
июль

Спортивные трансляции в режиме онлайн вы можете увидеть здесь: http://luckyea77.livejournal.com/175626.html
В этой записи много ссылок на сайты, ведущие прямые трансляции по разным видам спорта, а также этот пост содержит более 20ти спортивных каналов.

Записи со ссылками на посты с лекциями и уроками в этом блоге: http://luckyea77.livejournal.com/714447.html

При написании статей в данном блоге используются только общедоступные открытые источники информации в сети интернет. Источниками информации служат следующие ресурсы: hi-news.ru, hightech.fm, forbes.ru, rb.ru, naked-science.ru, nplus1.ru, popmech.ru, wikipedia.org, youtube.com, rambler.ru, yandex.ru, mail.ru, rbk.ru, autostat.ru, riarating.ru, livejournal.com, vestifinance.ru, renen.ru, altenergiya.ru, kot.sh, vedomosti.ru, elektrovesti.net, energosovet.ru, ffin.ru, 2045.ru, alternativenergy.ru, futurenow.ru, knowrealty.ru, aif.ru, secretmag.ru, womanonly.ru, 3dnews.ru, greenevolution.ru, dmrealty.ru, nature-time.ru, dailytechinfo.org, svpressa.ru, pskovstroyka.ru, sport-express.ru, kinopoisk.ru, rg.ru, hightech.plus, tadviser.ru, ntinews.ru, asi.ru, data-economy.ru

Моя точка зрения может не совпадать с авторами видео, изображений, статей, интервью и комментариев к записям. Я не несу ответственности за мнения, высказанные в комментариях читателей.





Мой френдмарафон: http://luckyea77.livejournal.com/151094.html

Самые популярные метки моего блога:
Технологии ☎ 3D-принтер ♈ Электроэнергия
Россия ☝ Мир ♉ Бокс
Робот ☀ Медицина ♊ Зарплата
Авто ☁ Будущее ♋ Рейтинг
Футбол ♨ Искусственный интеллект
Экономика ✈ Компьютерная игра
Интернет ♎ Виртуальная реальность
Музыка ☺ Фильм ☂ Программирование


Смотрите также:
Обучение программированию онлайн
Интерактивные курсы веб-программирования (19 бесплатных курсов)



Рассказать друзьям или разместить в своём блоге:

Ford представил свое видение доставки будущего: робот Digit поможет автономным фургонам, бережно донеся посылку до дверей получателя. Во время съемок ролика робот ни разу не споткнулся, утверждают создатели. Но есть один нюанс.

Автомобильный концерн Ford представил средство доставки посылок на «последней миле» для своей системы на основе робомбилей: коробку донесет и бережно положит у порога двуногий робот Digit, разработанный компанией Agility Robotics.

Во время поездки робот в сложенном виде будет лежать в салоне, а затем пройдет по садовой дорожке, куда беспилотному фургону въезд запрещен. Систему Ford планирует запустить уже в 2021 году. Вот как это должно выглядеть в идеале:
( Read more...Collapse )

Часть средств может быть компенсирована потребителям в виде снижения цен на энергию

Эксперты рабочей группы Национальной технологической инициативы (НТИ) «Энерджинет» оцениваю экономический эффект от внедрения в России технологий управления спросом на электроэнергию на уровне 100 млрд руб. в год, сообщает агентство ТАСС со ссылкой на заместителя председателя рабочей группы НТИ «Энерджинет» Дмитрия Холкина.



«Экономия после распространения в России технологий управления спросом составит до 100 млрд руб. в год. Часть этой экономии получат все потребители в виде снижения цены на электрическую энергию, а часть пойдет на вознаграждение тех бизнес-компаний и потребителей, кто предоставляет услугу. Поэтому объем нового рынка управления спросом может составить до 60−80 млрд руб. в год — это хорошее подспорье для желающих развивать новые бизнес-практики в сфере энергетики», — цитирует агентство Дмитрия Холкина.

Более подробные данные о рынке управления спросом, начинающемся в 2019 году пилотном проекте и успешных бизнес-стратегиях будут опубликованы в июне в экспертно-аналитическом докладе, который инфраструктурный центр «Энерджинет» подготовил совместно с АО «Системный оператор Единой энергетической системы» и отраслевыми экспертами.

Британские исследователи доказывают, что чем больше лет человек потратил на обучение, тем ниже его персональный риск развития сердечно-сосудистых заболеваний. И теперь ученые готовы объяснить причины такой зависимости.

Исследования в области рисков сердечно-сосудистых заболеваний указывают, что длительность обучения человека на протяжении жизни связана с предрасположенностью к развитию инсульта, инфаркта и других заболеваний. Теперь группа ученых из Великобритании объясняет, что в 40% случаев «защита» объясняется индексом массы тела (ИМТ), артериальным давлением и статусом курения.

Чтобы выяснить взаимосвязь, команда использовала статистический и генетический анализ в двух крупных когортах. Работа опубликована на сайте Имперского колледжа в Лондоне.

В первом случае команда проанализировала данные более 200 тысяч человек и сравнила длительность образования с ИМТ, показателями артериального давления и наличием привычки курения. Второй этап исследований на выборке в более чем в миллион человек анализировал различия в геноме, связанные с длительностью обучения.

Каждые дополнительные 3,6 лет обучения были ассоциированы со снижением ИМТ на 1 кг и уровнем артериального давления на 3 мм рт.ст, показали наблюдения.

И если ИМТ, артериальное давление и статус курения объясняют около 40% взаимосвязи уровня образования и рисков сердечно-сосудистых заболевания, то остальные причины ученые связывают с осознанностью.

«Вероятно, такие люди чаще посещают врачей для профилактики и быстрее обращаются к специалисту при наличии жалоб», — считают авторы.

Исследователи подчеркивают, что изучалась только продолжительность образовательного процесса участников, а не уровень их интеллекта. При этом большая часть данных была получена от европейцев, поэтому необходимо больше исследований, чтобы применять выводы для других этнических групп.

Компания Zetta анонсировала продажи бюджетного электромобиля российского производства, который в базовой комплектации обойдется покупателю в 450 000 рублей (около 7000 долларов по текущему). Это будет небольшой трехдверный «сити-мобиль» с электроприводом на два или четыре колеса. Около 40% всех серийных моделей планируется оснащать передним приводом. И прежде, чем вы возопите «Как тебе такое, Илон Маск», добавим, что все комплектующие — российского производства. Кроме аккумулятора — его делает GE Power Technology, Китай.



Как делать электромобили в России

Несмотря на то, что электромобиль будет «нашим» на 99%, в денежном эквиваленте китайский двигатель будет составлять половину стоимости электромобиля. В декабре 2019 года компания представит около десяти экспериментальных образцов серией и начнет продажи. В следующем году планируется произвести 2000 машин, а потом довести это число до 15 000 автомобилей в год. При этом сборку будут осуществлять не более 200 человек.
( Read more...Collapse )

В 1964 году Николай Басов, Александр Прохоров и американец Таунс стали лауреатами Нобелевской премии за исследования в области квантовой электроники, приведшие к созданию лазеров.

Новый процесс, позволяющий получать искусственные алмазы сложных форм, создан инженерами шведской компании Sandvik, которая занимается производством инструментов для резки металла и оборудования для горной и строительной промышленности.

Промышленный алмаз, самый твердый из минералов, отличается от ювелирного только отсутствием пятен и других дефектов, но по твердости не уступает ему. Инженеры научились создавать их с 50-х годов прошлого века для различных станков и инструментов. Однако, до сих пор удавалось получить искусственный алмаз лишь нескольких простых геометрических форм.

Главное отличие напечатанного инженерами Sandvik алмаза в том, что это композит. Большая его часть — алмаз, но для того чтобы его можно было печатать, его зацементировали в очень твердый матричный материал, сохраняющий большинство важных свойств чистого алмаза, пишет Engineer.

Раствор, состоящий из алмазной пыли и полимера, печатается методом стереолитографии, который позволяет создавать сложные формы слой за слоем, воздействуя на них ультрафиолетовым светом. Затем следует обработка запатентованным методом, цель которой — получить точные свойства плотного и сверхтвердого алмазного композита.

Испытания материала показали, что он обладает крайне высокой твердостью, выдающейся теплопроводностью, очень хорошим тепловым расширением и отличной сопротивляемостью коррозии.

Изобретатели только начинают осознавать все возможности нового материала и прорывы, которые позволит совершить искусственный алмаз, в три раза более жесткий, чем сталь, более теплопроводный, чем медь и равный по плотности алюминию.

В последние годы, по мере того, как системы глубокого обучения становятся все более распространенными, ученые продемонстрировали, как состязательные образцы могут повлиять на что угодно — от простого классификатора изображений до систем диагностики рака — и даже создать угрожающую жизни ситуацию. Несмотря на всю их опасность, впрочем, состязательные примеры изучены плохо. И ученые обеспокоились: можно ли решить эту проблему?



Что такое adversarial attack (состязательная атака)? Это способ обмануть нейросеть, чтобы она выдала некорректный результат. Их в основном используют в научных исследованиях, чтобы проверять устойчивость моделей к нестандартным данным. Но в реальной жизни в пример можно привести изменение нескольких пикселей в изображении панды так, что нейросеть будет уверена, что на изображении — гиббон. Хотя ученые всего-навсего добавляют изображению «шума».

Состязательная атака: как обмануть нейросеть?

Новая работа Массачусетского технологического института указывает на возможный путь преодоления этой проблемы. Решив ее, мы могли бы создать гораздо более надежные модели глубокого обучения, которыми было бы намного сложнее манипулировать злонамеренными способами. Но давайте сперва рассмотрим основы состязательных образцов.

Как вам известно, сила глубокого обучения проистекает из превосходной способности распознавать закономерности (паттерны, шаблоны, схемы, узоры) в данных. Скормите нейронной сети десятки тысяч помеченных фотографий животных, и она узнает, какие паттерны ассоциируются с пандой, а какие — с обезьяной. Затем она сможет использовать эти паттерны для распознавания новых изображений животных, которых она ранее не видела.

Но модели глубокого обучения также очень хрупкие. Поскольку система распознавания изображений опирается только на пиксельные паттерны, а не на более концептуальное понимание того, что она видит, ее легко обмануть, заставить ее увидеть что-то совершенно другое — просто определенным образом нарушив паттерны. Классический пример: добавьте немного шума на изображение панды, и система классифицирует ее как гиббона с почти 100-процентной уверенностью. Этот шум и будет состязательной атакой.
( Read more...Collapse )

В настоящее время на рынке нет устройств с подобным управлением

Ученые Нижегородского государственного университета им. Лобачевского (ННГУ) создали робота с возможностью самообучения на основе искусственной нейронной сети, сообщает агентство ТАСС, со ссылкой на министерство образования и науки РФ.



Технологии, использованные при создании нейроробота, могут в дальнейшем использоваться для производства более сложных роботизированных устройств, в том числе беспилотных транспортных средств, с перспективами применения на промышленных объектах, в космосе и под водой.

Понимание процессов обучения в нейронных сетях, нейроны которых близки по своим характеристикам к нейронам головного мозга, является ключевым вопросом в нейронауке. В настоящее время на рынке нет устройств, имеющих такое нейроподобное управление. Ученые ННГУ в исследовании показали, что виртуальная нейронная сеть может управлять роботом при определенном воздействии.

Самообучающийся нейроробот оснащен ультразвуковыми датчиками расстояния и чувствительным бампером с датчиками касания. Датчики позволяют детектировать препятствия с левой и правой стороны. Активность сенсорных нейронов зависит от сигналов с датчиков. «Нейроробот обучается в процессе взаимодействия с внешней средой - двигаясь вперед, он получает стимуляцию от датчиков. В результате такого самообучения робот начинает объезжать препятствия заранее, не касаясь их», отмечается в сообщении.

Кроме того, робот способен переобучиться при смене положения ультразвуковых датчиков расстояния. Следующим шагом развития проекта, как пояснили ученые Нижегородского государственного университета, станет разработка коммерческого продукта «нейроконструктор». Робототехнические конструкторы, представленные в настоящее время на рынке, не имеют такого нейроподобного управления. Коммерческий продукт в дальнейшем может быть востребован в образовательной сфере, например, с его помощью студенты смогут моделировать нейронные сети. А также в сфере игровой индустрии.

Проект реализуется в рамках Национальной технологической инициативы и рынка «Нейронет», что предполагает активное развитие средств человеко-машинных коммуникаций, основанных на передовых разработках в нейротехнологиях и повышающих продуктивность человеко-машинных систем, производительность психических и мыслительных процессов. Новые технологии, продукты и услуги «Нейронет» будут разрабатываться на основе результатов интенсивного изучения человеческого мозга и нервной системы.

Российские специалисты из Центра искусственного интеллекта Samsung AI Center-Moscow в сотрудничестве с инженерами из Сколковского института науки и технологий разработали систему, способную создавать реалистичные анимированные изображения лиц людей на основе всего нескольких статичных кадров человека. Обычно в таком случае требуется использование больших баз данных изображений, однако в представленном разработчиками примере, систему обучили создавать анимированное изображение лица человека всего из восьми статичных кадров, а в некоторых случаях оказалось достаточно и одного. Более подробно о разработке сообщается в статье, опубликованной в онлайн-репозитории ArXiv.org.



Как правило, воспроизводить фотореалистичную персонализированную модуль лица человека довольно сложно из-за высокой фотометрической, геометрической и кинематической сложности воспроизведения человеческой головы. Объясняется это не только сложностью моделирования лица в целом (для этого существует большое количество подходов к моделированию), но также и сложностью моделирования определенных черт: полости рта, волос и так далее. Вторым усложняющим фактором является наша предрасположенность улавливать даже незначительные недоработки в готовой модели человеческих голов. Такая низкая толерантность к ошибкам моделирования объясняет нынешнюю распространенность нефотореалистичных аватаров, использующихся в телеконференциях.

По словам авторов, система, получившая название Fewshot learning, способна создать очень реалистичные модели говорящих голов людей и даже портретных картин. Алгоритмы производят синтез изображения головы одного и того же человека с линиями ориентира лица, взятых из другого фрагмента видео, или с использованием ориентиров лица другого человека. В качестве источника материала для обучения системы разработчики использовали обширную базу данных видеоизображений знаменитостей. Чтобы получить максимально точную «говорящую голову», системе необходимо использовать более 32 изображений.
( Read more...Collapse )