Απο την Τεχνητή Νοημοσύνη έως τις Μαύρες Τρύπες

Η τεχνητή νοημοσύνη χρόνο με τον χρόνο εισέρχεται όλο και περισσότερο στην ζωή μας. Στο επεισόδιο αυτό αναλύουμε μια από τις πιο ενδιαφέρον περίπτωσης τεχνητής νοημοσύνης, η οποία ονομάζεται Deep Learning. Αναφέρω επίσης ένα πρόσφατο paper το οποίο παρουσιάζει πως το Deep Learning μπορεί να βοηθήσει στην φωτογράφιση μαύρων τρυπών, όπως η Μ87. Καλή ακρόαση!

Για να κατεβάσεις δωρεάν τον κατάλογο με τις Deep Learning πηγές κάντε κλικ στο link: https://www.didactics.gr/deep_learning_resources
Ο κατάλογος έχει ταξινομημένα link ούτως ώστε να μπορεί να επωφεληθεί ο καθένας από εμάς ανεξαρτήτως επιπέδου. Θα βρεις δηλαδή υλικό για αρχάριους αλλά και για εξοικειωμένους στον τομέα του Deep Learning.

Παρουσίαση-Επιμέλεια: Τσαγκαράκης Αλέξανδρος
Πηγές εικόνων-βίντεο : ESO/L. Calçada, Digitized Sky Survey 2, ESA/Hubble, RadioAstron, De Gasperin et al., Kim et al. EHT Collaboration.
Boston Dynamics
NIO
Google/Lichtman Laboratory
Unsplash
Background image: BAUX Design

References and further reading:
[1] Heaton, J.. Applications of Deep Neural Networks with Keras. ( arXiv:2009.05673 )

[2] Sun, H., & Bouman, K.. (2020). Deep Probabilistic Imaging: Uncertainty Quantification and Multi-modal Solution Characterization for Computational Imaging. ( arXiv:2010.14462 )

[3] Event Horizon Telescope Collaboration, First M87 Event Horizon Telescope Results. IV. Imaging the Central Supermassive Black Hole. ( arXiv:1906.11241 )

[4] Wikipedia. https://el.wikipedia.org/wiki/Νευρώνας

[5] MIT News, Study finds a striking difference between neurons of humans and other mammals, ( https://news.mit.edu/2021/neurons-humans-mammals-1110 )

[6] Shapson-Coe, A., Januszewski, M., Berger, D., Pope, A., Wu, Y., Blakely, T., Schalek, R., Li, P., Wang, S., Maitin-Shepard, J., Karlupia, N., Dorkenwald, S., Sjostedt, E., Leavitt, L., Lee, D., Bailey, L., Fitzmaurice, A., Kar, R., Field, B., Wu, H., Wagner-Carena, J., Aley, D., Lau, J., Lin, Z., Wei, D., Pfister, H., Peleg, A., Jain, V., & Lichtman, J. (2021). A connectomic study of a petascale fragment of human cerebral cortex. bioRxiv. ( https://www.biorxiv.org/content/10.1101/2021.05.29.446289v4 )

[7] Sardi, S., Vardi, R., Tugendhaft, Y., Sheinin, A., Goldental, A., & Kanter, I. (2022). Long anisotropic absolute refractory periods with rapid rise times to reliable responsiveness. Phys. Rev. E, 105, 014401. ( https://link.aps.org/doi/10.1103/PhysRevE.105.014401 )

[8] Dan Guest, Kyle Cranmer, & Daniel Whiteson (2018). Deep Learning and Its Application to LHC Physics. Annual Review of Nuclear and Particle Science, 68(1), 161–181.

[9] Zhen Qian, Vladislav Belavin, Vasily Bokov, Riccardo Brugnera, Alessandro Compagnucci, Arsenii Gavrikov, Alberto Garfagnini, Maxim Gonchar, Leyla Khatbullina, Ziyuan Li, Wuming Luo, Yury Malyshkin, Samuele Piccinelli, Ivan Provilkov, Fedor Ratnikov, Dmitry Selivanov, Konstantin Treskov, Andrey Ustyuzhanin, Francesco Vidaich, Zhengyun You, Yumei Zhang, Jiang Zhu, & Francesco Manzali (2021). Vertex and energy reconstruction in JUNO with machine learning methods.

[10] Katherine L. (Katie) Bouman: Beyond the First Portrait of a Black Hole, ( https://www.youtube.com/watch?v=PcqJas6kKeA&list=LL&index=13&t=2212s )

[11] How to take a picture of a black hole | Katie Bouman | TEDxBeaconStreet ( https://www.youtube.com/watch?v=P7n2rYt9wfU&list=LL&index=15 )

[12] Report: AI investments see largest year-over-year growth in 20 years( https://venturebeat.com/2021/12/06/report-ai-investments-see-largest-year-over-year-growth-in-20-years/ )