Учебное пособие содержит справочные сведения и примеры решения задач основных типов по разделам «Линейные и евклидовы пространства» и «Конечномерные линейные операторы в линейных и евклидовых пространствах» курсов «Линейная алгебра», «Алгебра», «Геометрия и алгебра» для вузов. Приведено значительное количество задач и упражнений для самостоятельного решения, которые могут быть использованы как для аудиторной работы, так и для индивидуальных заданий.

Распознавание эмоций с помощью радиосигналов - новая находка ученых
Новые открытия в области нейробиологии и искусственного интеллекта позволяют нам предполагать, что наши мысли вскоре перестанут быть нашим личным делом. В исследовании, опубликованном на прошлой неделе Лондонским Университетом Королевы Марии, рассказывается, как ученые смогли использовать глубокую нейронную сеть для определения эмоционального состояния человека путем анализа сигналов радиоволн.
С помощью радиоволн можно измерить частоту сердечных сокращений, сигналов дыхания и предсказывать, что чувствует человек, даже при отсутствии каких-либо визуальных сигналов - например, выражение лица.
На первом этапе эксперимента исследователи попросили испытуемых посмотреть видео-ролики. Содержание этих роликов позволяло вызывать в людях одну из четырех эмоций: гнев, печаль, радость и удовольствие. Во время просмотра исследователи посылали в сторону участника эксперимента простые радиосигналы, подобные тем, которые передаются от любой беспроводной системы, включая радар или Wi-Fi и измеряли сигналы, которые отражались от него.
Анализируя изменения этих сигналов, вызванные малейшими движениями тела, исследователи смогли получить информацию о сердце и частоте дыхания человека. Система искусственного интеллекта с помощью методов глубокого изучения анализировала эти сигналы и выдавала результаты об эмоциональном состоянии людей.
Традиционно сбор данных об эмоциях человека основывался на анализе видимых сигналов, таких как мимика, речь, жесты тела или движения глаз. Но эти методы не всегда надежны, поскольку они не могут эффективно улавливать внутренние эмоции человека, и исследователи все чаще обращаются к «невидимым» сигналам, таким как ЭКГ, чтобы понять эмоции.
Сигналы ЭКГ определяют электрическую активность сердца, которая связана с нервной системой человека. Сейчас измерение этих сигналов в основном выполняется с помощью датчиков, которые размещаются на теле, и в последнее время исследователи стали искать бесконтактные подходы. Одним из таких инструментов обнаружения эмоций стали радиоволны.
«Сейчас мы пытаемся понять, как мы можем использовать существующие недорогие системы, такие как маршрутизаторы Wi-Fi, для обнаружения эмоций большого количества собравшихся людей, например, в офисе или на работе. Такой подход позволит нам классифицировать эмоции каждого человека при выполнении им своих обычных рабочих функций. Кроме того, мы стремимся повысить точность обнаружения эмоций в рабочей среде, используя передовые методы глубокого обучения», - говорит Ахсан Нур Хан, аспирант университета Королевы Марии и один из авторов исследования.
А профессор Ян Хао, руководитель проекта, заявил следующее: «Это исследование открывает множество возможностей для практического применения, особенно в таких областях, как взаимодействие человека и робота, а также в сфере здравоохранения и эмоционального благополучия, которым пандемия  Covid-19 придала более важное значение».
Комментарий РВС

Ученых должно было бы также интересовать и то, как психологически влияет на человека ситуация, когда за ним постоянно наблюдают с помощью видеокамер, когда направляют на него радиоволны с целью изучать его эмоциональное состояние. По сути, человека лишают не только его внешнего личного пространства (при постоянном наблюдении видеокамер ни о каком личном пространстве не может быть и речи), но теперь и его внутренний мир подлежит вскрытию. Вполне вероятно, что подобные технологии станут использоваться повсеместно, как сейчас на каждом углу используются видеокамеры. Наблюдение за человеком всегда меняет его поведение. И далеко не всегда в лучшую сторону. Но такого тотального и агрессивного вторжения в личное пространство человек еще не испытывал. И оно, безусловно, не пройдет для нашей психики даром.

Источник: rvs.su

Профессии будущего в сфере IT

По данным атласа новых профессий в ближайшее время будут востребованы специалисты новых профессий. Сегодня мы сделали выборку по направлению IT

ПРОЕКТИРОВЩИК НЕЙРОИНТЕРФЕЙСОВ.
Специалист, занимающийся разработкой совместимых с нервной системой человека интерфейсов для управления компьютерами, домашними и промышленными роботами, с учетом психологии и физиологии пользователей.

SAM: нейросеть меняет возраст на изображении лица человека
SAM — это нейросетевая модель, которая меняет возраст человека на изображении. Модель принимает на вход изображение лица человека и целевой возраст.
На выходе нейросеть отдает сгенерированное изображение, где лицо целевой персоны изменено в соответствии с возрастным сдвигом. Модель умеет как омолаживать лица на изображениях, так и состаривать.
В качестве архитектуры исследователи использовали генеративно-состязательную модель StyleGAN. Модель позволяет редактировать сгенерированные изображения. По результатам экспериментов, SAM обходит state-of-the-art подходы.

Суперкомпьютер на пару с ИИ научились предсказывать цунами и их последствия с невероятной точностью

Японцы натренировали ИИ с помощью самого мощного компьютера, чтобы система научилась предсказывать формирование цунами и возможные последствия практически в режиме реального времени

Аппаратное обеспечение, лежащее в основе разработки нового инструмента ИИ, носит название Fugaku. Разработанный Riken и Fujitsu, он был запущен в середине прошлого года, чтобы стать самым мощным суперкомпьютером в мире. Эта вычислительная мощность была использована исследовательской группой из Fujitsu, Университета Тохоку и Института исследования землетрясений Токийского университета, для моделирования цунами с высокой динамикой и самыми разными факторами. Это позволило команде создать 20 000 возможных сценариев формирования цунами для использования в качестве обучающих данных для модели искусственного интеллекта.

Этот алгоритм глубокого обучения применяется для изучения и подтверждения данных о форме волны цунами с результирующими условиями наводнения на суше, причем чем больше у него данных – тем выше фактическая точность. В итоге машина научилась предсказывать наводнения цунами почти в реальном времени с высоким пространственным разрешением.

Хотя модель необходимо заранее обучить на Fugaku, чтобы добиться столь же впечатляющих результатов, ее базис можно загрузить на обычные ПК и передать данные о форме волны для выполнения прогнозов в считанные секунды. Это было продемонстрировано при моделировании сильного землетрясения и цунами, обрушившегося на Токийский залив.

Тот факт, что ИИ на базе нейросети можно использовать на обычных ПК, является ключом к планам разработчиков по передаче инструмента в руки групп реагирования на стихийные бедствия и предоставления им возможности использовать его для прогнозирования воздействия наводнений на здания, дороги и другую инфраструктуру почти в реальном времени.

​​MeInGame: нейросеть генерирует игрового персонажа по изображению лица

MeInGame — это нейросетевая модель, которая генерирует персонажа в игре по одному изображению лица. Нейросеть предсказывает форму лица и его текстуру. Итоговое предсказание можно внедрить в большинство существующих 3D игр. По результатам экспериментов, модель обходит альтернативные подходы для генерации персонажей.

Текущие системы для кастомизации игровых персонажей либо требуют от пользователя ручной настройки игрока, либо ограничены в формах лица и текстурах. Методы, которые основываются на архитектуре 3D Morphable Face Model (3DMM), могут точно восстанавливать 3D модели лица из изображения. Однако сетки, которые такие модели генерируют, отличаются от сеток, которые используются в играх. Это усложняет использование таких моделей в компьютерных играх.
Кроме того, чтобы обучиться, текущие модели требуют большое количество данных лицевой текстуры. Сбор таких датасетов является трудоемким и долгим. MeInGame требует меньшего количества данных для обучения и может быть интегрирована в видеоигры. 

MeInGame состоит из трех частей:
Метод для сбора текстур, который не является трудозатратным;
Алгоритм переноса формы лица из формата 3DMM в формат, который используется в играх;
Пайплайн для обучения моделей 3D восстановления лица игровых персонажей
Предложенный метод может не только генерировать детализированные и реалистичные лица игроков, сходные с входными изображениями, но и делать модель устойчивой к освещению и окклюзиям. Исходный код проекта и датасет доступны в открытом репозитории на GitHub.

Для чего применяется алгоритм Евклида?
#Алгоритмы

Проверяет число на простоту - 2
👍 4%
Раскладывает число на простые множители - 3
👍👍 6%
Ищет наибольший общий делитель (НОД) для двух чисел - 40
👍👍👍👍👍👍👍👍 85%
Ищет наименьшее общее кратное (НОК) для двух чисел - 2
👍 4%
👥 47 человек уже проголосовало.

⬆️ Правильный ответ ⬆️
Ищет наибольший общий делитель (НОД) для двух чисел

Подробно:
Реализации алгоритмов/Алгоритм Евклида

Технический директор Google Рэй Курцвейл выступил в начале 2021 года с очередной порцией предсказаний.

2021 – Беспроводной доступ к интернету покроет 85% поверхности Земли.
2022 – В США и Европе будут приниматься законы, регулирующие отношения людей и роботов. Деятельность роботов, их права, обязанности и другие ограничения будут формализованы.
2024 – Элементы компьютерного интеллекта станут обязательными в автомобилях. Людям запретят садиться за руль автомобиля, не оборудованного компьютерными помощниками.

Какой алгоритм сортировки является фактически худшим?
#Алгоритмы

Глупая сортировка - 32
👍👍👍👍👍👍👍👍 46%
Блинная сортировка - 5
👍👍 7%
Пузырьковая сортировка - 20
👍👍👍👍👍 29%
BogoSort - 13
👍👍👍👍 19%
👥 70 человек уже проголосовало.

⬆️ Правильный ответ ⬆️
BogoSort

Подробно:
Непрактичные сортировки – бессмысленные и беспощадные

Новый электронный чип ИИ работает просто от света
Международная группа ученых разработала технологию искусственного интеллекта, которая объединяет обработку изображений, машинное обучение и память в одном электронном чипе, работающем только от света. Прототип технологии полностью имитирует механизм обработки визуальной информации человеческим мозгом. А это уже серьезный шаг к новой системе «мозг на кристалле», которая может обучаться по тому же принципу, что и люди.
Если прототип нейроморфного чипа со световым приводом получит дальнейшее развитие, то ученые вплотную приблизятся к созданию более «умных» и компактных автономных технологий, которые лягут в основу дронов, роботов, носимых смарт-устройств следующего поколения и даже будут использоваться в бионических имплантатах, таких как искусственная сетчатка глаза. К примеру, использование чипа совместно с искусственной сетчаткой позволило бы миниатюризировать технологию и повысить точность бионического глаза.
Прототип светового чипа разработала международная группа, состоящая из австралийских, американских и китайских исследователей под руководством специалистов из Университета RMIT (Мельбурнского королевского технологического университета в Австралии). Результаты опубликованы в журнале Advanced Materials.
Ученые задавались целью воспроизвести способность человеческого мозга обучаться на основе увиденного, то есть механизм запоминания чего-то, что мы видим.
Обычно искусственный интеллект полагается на программное обеспечение и обработку данных при помощи алгоритмов. Новая же разработка объединяет в себе электронное оборудование и ИИ. В результате ИИ способен быстро принимать решения.
Представьте себе видеорегистратор в автомобиле, который работает на основе такого чипа. Он способен распознавать огни, знаки, объекты на дороге и принимать мгновенные решения без необходимости подключения к интернету.
Что касается принципа работы, то технология основана на более раннем прототипе чипа от команды RMIT, который использовал свет для создания «воспоминаний» и их хранения.
Сама идея взяла свое начало в оптогенетике — новом инструменте в биотехнологии, который позволяет ученым с большой точностью изучать электрическую систему тела и использовать свет для управления нейронами.
В основе нового чипа лежит ультратонкий материал — черный фосфор. Он изменяет электрическое сопротивление в ответ на световые волны различной длины. А такие функции, как восприятие изображений или хранение информации в памяти, достигаются за счет освещения микросхемы светом разных цветов.
Ученые прибегли к этой схеме, потому что вычисления на основе света быстрее, точнее и требуют гораздо меньше энергии, чем существующие технологии.
Новые возможности означают, что теперь ИИ способен считывать и автоматически улучшать изображения, классифицировать числа и обучаться распознавать шаблоны и изображения с точностью более 90%.
Прототип нейроморфного чипа также легко совместим с существующей электроникой и кремниевыми технологиями, а это говорит о простой интеграции его в будущем в другие устройства.

Какой оператор SQL используется для вставки новых данных в базу данных?
#SQL

ADD - 2
👍 2%
STORE
▫️ 0%
ADD NEW - 1
👍 1%
INSERT INTO - 100
👍👍👍👍👍👍👍👍 93%
INSERT NEW - 3
👍 3%
ADD RECORD - 1
👍 1%
👥 107 человек уже проголосовало.

⬆️ Правильный ответ ⬆️
           INSERT INTO

«Жидкая» нейросеть изменяет алгоритмы прямо в процессе работы и становится умнее
Ученые разработали так называемую «жидкую» нейронную сеть, которая может учиться во время работы. Она способна постоянно адаптироваться к текущим задачам в режиме реального времени, а ее алгоритмы принимают решения на основе постоянно меняющихся потоков данных.
Нейронные сети — это алгоритмы машинного обучения, которые используют набор обучающих примеров для распознавания закономерностей. Поведение большинства нейронных сетей фиксируется после фазы обучения, то есть они плохо приспосабливаются к изменениям во входящем потоке данных. «Жидкие» сети — это тип нейронных сетей, которые могут изменять свои параметры в режиме реального времени, существенно улучшая свою способность анализировать меняющиеся данные.
Свое вдохновение авторы разработки — исследователи из MIT — черпали в биологии, в частности, у небольшого круглого червя Caenorhabditis elegans, который генерирует неожиданно сложные комбинации поведения, несмотря на ограниченное количество нейронов. «Жидкая» сеть была разработана путем тщательного анализа того, как нейроны червя активируются и взаимодействуют друг с другом с помощью электрических импульсов. 
У Liquid Neural Network есть ряд преимуществ, а именно:
«Жидкие» сети делают модель более стабильной, повышая ее устойчивость к неожиданным и зашумленным данным. Например, они могут заставить алгоритмы адаптироваться к сильным дождям, которые мешают обзору беспилотного автомобиля.

«Жидкая» сеть делает алгоритм более интерпретируемым. Ученые считают, что она поможет решить проблему «черного ящика» алгоритмов машинного обучения из-за другой природы нейронов.

«Жидкая» сеть показала лучшие результаты по сравнению с другими временными рядами в прогнозировании будущих значений в наборах данных, используемых в атмосферной химии и схемах движения. 
Помимо высокой надежности, новая модель также помогает снизить вычислительные затраты. Ученые стремились к меньшему количеству узлов сети, но при этом чтобы они были больше. Другими словами, исследование было сосредоточено на уменьшении масштаба сети, а не на его увеличении.
Исследователи видят будущее «жидких» сетей в управлении роботами, обработке естественного языка и видео — в общем, в любой форме обработки данных временных рядов (собранных в разные моменты времени статистических материалов о значении каких-либо параметров исследуемого процесса). 
Например, огромный прогресс был достигнут в разработке умных роботов, которые работают с людьми, но тут оставалась серьезная проблема с точки зрения безопасности и этики. «Жидкие» сети помогут преодолеть эти проблемы. Возможность принятия решений в режиме реального времени также повысит безопасность роботов и людей, работающих в тандеме (например, на складах или на дороге). Или, к примеру, социальные боты или чат-боты в прошлом часто ошибались при формировании ответов. А благодаря улучшенной интерпретации «жидкие» сети помогут избежать подобных ошибок за счет улучшения алгоритмов обработки естественного языка. 
Кроме того, данные временных рядов широко используются в медицинской диагностике и разработке лекарств. «Жидкие» сети также могут ускорить эти процессы.
В дальнейшем планируется, что Liquid Neural Network станет важным элементом будущих интеллектуальных систем. По словам исследователей MIT, следующим шагом будет улучшение существующей системы и ее подготовка к промышленному применению.

Дана таблица people:
+-----+--------------+-------+
|Num  |  Name        | Amount|
+-----+--------------+-------+
|  1  | Kate         |  15   |
|  2  | Misha        | NULL  |
|  3  | Nick         |  0    |
|  4  | Larisa       |  20   |
+-----+--------------+-------+
Какой будет результат выполнения запроса SELECT COUNT(Amount) FROM people;?

4 - 43
👍👍👍👍👍👍👍👍 46%
Запрос завершится ошибкой поскольку присутствует NULL - 13
👍👍👍 14%
UNKNOWN, поскольку присутситвует NULL - 8
👍👍 9%
3 - 29
👍👍👍👍👍👍 31%
👥 93 человека уже проголосовало.

⬆️ Правильный ответ ⬆️
                    3

Объяснение:
В процессе агрегирования (в данном случае при вычислении количества) значения NULL игнорируются (то есть считается количество строк со значением не NULL).

​​Разработан датчик зрения для следующего поколения ИИ
Чтобы до конца раскрыть свой потенциал, компьютеру, который имитирует работу человеческого мозга, нужен оптический датчик, повторяющий функции нашего зрения. Уже были попытки создать такой датчик, но его производство оказывалось слишком сложным. Новое устройство — это простой светочувствительный конденсатор, который точно имитирует определенные особенности сетчатки человеческого глаза. Разработка обещает настоящий прорыв в развитии искусственного интеллекта и в робототехнике.
Предыдущие попытки создать ретиноморфный датчик — устройство, имитирующее человеческое зрение, — базировались на программном обеспечении либо очень сложном оборудовании. Но новый датчик, разработанный в Университете штата Орегон, имеет относительно простую конструкцию на базе перовскитных полупроводников.
Фактически это простой светочувствительный конденсатор на основе металлогалогенных перовскитов, который выдает кратковременный всплеск напряжения в ответ на изменение интенсивности падающего света, но при постоянном освещении показывает нулевое напряжение. А перовскиты в последнее время активно изучают в качестве перспективного материала для солнечных батарей — при воздействии света он меняет свои изолирующие свойства на проводящие.
Человеческое зрение лучше реагирует на движущиеся объекты и чуть хуже — на неподвижные. То есть в оптической схеме нашего зрения в приоритете — сигналы от фоторецепторов, которые фиксируют изменение интенсивности света. Самый простой пример — феномен Трокслера: когда вы долго вглядываетесь в фиксированную точку, статические объекты в вашем периферийном зрении начинают исчезать.
Традиционные микросхемы цифровых камер и смартфонов лучше подходят для последовательной обработки. Изображения сканируются датчиками пиксель за пикселем с определенной частотой. Амплитуда сигнала, который генерирует каждый датчик, напрямую зависит от интенсивности света, который он получает. Следовательно, статическое изображение приведет к более или менее постоянному выходному напряжению от датчика.
А ретиноморфный датчик, наоборот, «спокоен» при статическом окружении. Когда освещенность меняется, он показывает короткий всплеск напряжения, а затем быстро возвращается к своему базовому состоянию. Это связано с фотоэлектрическими свойствами перовскита, который в датчике нанесен ультратонкими слоями толщиной всего несколько сотен нанометров. По сути, он выступает как конденсатор, который изменяет свою емкость при освещении.
Разработчики проверяли работу датчика: движущиеся объекты были яркими и четкими, статичные — сливались с темнотой. Это отражает особенности зрительного восприятия у млекопитающих.
Также они протестировали датчик на разных ситуациях. Ему «показали» видеозапись тренировки по бейсболу — в результате игроки на поле выглядели как четкие и яркие движущиеся объекты, а относительно статичные объекты наподобие трибун сливались с темным фоном. И датчик «увидел» летящую птицу, которая исчезла, потому что перестала двигаться возле кормушки, и снова появилась, когда взлетела.
Новый датчик по всем параметрам подходит для нейроморфных компьютеров, которые станут основой для следующего поколения искусственного интеллекта.
К примеру, если такими датчиками оснастить робота, отслеживающего движение каких-то объектов, то все неподвижные объекты в его поле зрения не вызовут реакции, однако на движение он сразу отзовется высоким напряжением. Это немедленно сообщит роботу, где находится объект, и все это без сложной обработки изображения.
Сами авторы разработки описывают масштаб своего изобретения, сравнивая его с пикселем, который теперь может самостоятельно выполнять некие действия, для которых раньше был нужен микропроцессор.


Реакция ретиноморфного датчика на разные объекты. Изображение: Университет штата Орегон ⬇️

Какое ключевое слово запрещено использовать совместно с оператором ROLLUP?
#SQL

GROUP BY - 3
👍👍 10%
HAVING - 2
👍👍 6%
ORDER BY - 11
👍👍👍👍👍👍 35%
LIMIT - 15
👍👍👍👍👍👍👍👍 48%
👥 31 человек уже проголосовал.

⬆️ Правильный ответ ⬆️
              ORDER BY

Объяснение
Операторы ROLLUP и ORDER BY являются взаимоисключающими.