Krátké řečové úlohy mohou zachytit kognitivní změny bez dlouhého klinického rozhovoru. Článek zkoumá, zda lze pomocí automatického rozpoznávání řeči vyhodnotit okamžité opakování nesmyslných slov a rozlišit zdravé účastníky od osob s kognitivní poruchou. Experiment ukazuje, proč při zapojení řečových technologií do screeningu záleží na chybách rozpoznávání, fonologické podobnosti i volbě jazykového modelu.
Slovní popis obrázku vypovídá nejen o výslovnosti, ale také o tom, kterých pojmů a vztahů si člověk všímá a jak je uspořádá v jazyce. Článek kombinuje rozpoznávání řeči, formální sémantickou analýzu a strojové učení při porovnávání českých popisů s expertní referencí. Výsledné sémantické příznaky nabízejí interpretovatelnou cestu ke škálovatelnému screeningu kognitivních poruch.
Dnešní zápisek bude o skriptování velice běžných zařízení – jsou jimi televize Samsung a přehrávač Google Chromecast. Obojí samozřejmě v Pythonu jako součást chytře postaveného hloupého domu. Obojí samozřejmě v Pythonu jako součást chytře postaveného hloupého domu .
Získat měřením libvolnou sadu hodnot je zpravidla ta jednodušší polovina úkolu, druhá bývá náročnější — rozumně data zpracovat, uložit a zobrazit. V tomto zápisku se podíváme na zoubek Google Sheets, které mohou zastat všechny tyto role. V předchozím díle jsme si povídali o měření teploty pomocí 1-wire teploměrů .
Přestože návodů na zprovoznění 1-wire teploměrů založených na DS18B20 je plný internet, myslím si, že praktické zkušenosti s více teploměry a následným zpracování dat se mohou hodit. Čip DS18B20 Teploměry založené na čipu DS18B20 jsou velice populární především kvůli možnosti zapojit na jeden datový vodič množství teploměrů a dalších čipů podporujících 1-wire . V praxi je sice možné použít parazitické napájení a tím pádem mít pouze datový vodič a zemní vodič (více třeba zde ), ale toto zapojení není příliš spolehlivé.
Dnešním článkem začnu minisérii o tom, jak si zařídit chytrý dům bez toho, aby bylo nutné utrácet peníze za chytrou elektroinstalaci, drahé řídící systémy a cloudově připojená zařízení. Nejprve si řekněme pár slov o tom co myslím slovy chytrý a hloupý dům. Z Wikipedie, heslo Inteligentní dům : Realizace inteligentního domu začíná projektem , který definuje rozsah celého řešení, které je vždy modulární .
V sobotu 16. dubna 2016 proběhl již třetí Plzeňský Barcamp. A pro mě bylo radostí na něj opět dorazit, potkat známé i (pro mě dosud) neznámé tváře, a především užít si celý den. Navíc, konečně jsem si našel čas a vyrazil i na afterparty.
21. října 2015 jsem v Paralelní Polis mluvil o tom, jak jsem soutěžil na Kaggle.com v soutěži Greek Media Monitoring Multilabel Classification (WISE 2014). Slidy z mojí přednášky na Machine Learning Meetupu v Praze najdete na http://prezi.com/yrduwq4-ku5w/. Jestli vás zajímá více nebo pokud jste nemohli dorazit na Meetup, můžete si počíst starším zápisku Na bedně vítězů v umělé inteligenci.
Včerejší den jsem celý strávil na 1. Barcampu Jižní Čechy. Na Barcampu jsem nebyl jen jako pasivní účastník, ale dorazil jsem i s vlastní prezentací o Rozpoznávání řeči a umělé inteligenci.
V rámci Machine Learning Meat-Ups jsme s kolegou Jindrou Matouškem mluvili o řečových technologiích v praxy. Kdo 1.4. nestihl přednášku s podtitulem od výzkumu k praxi se může podívat na videu níže. V prezentaci představíme jednotlivá výzkumná témata z oblasti řečových technologií, jimiž se na našem pracovišti zabýváme, zejména počítačovou syntézu (TTS) a rozpoznávání (ASR) řeči.
Linuxový správce logických svazků LVM (Logical Volume Management) zná každý linuxový admin. Tato abstrakce nad diskovými úložišti dokáže udělat softwarový RAID, snapshoty, změnu velikosti logických oddílů a další magii. V tomto krátkém zápisku zkusím shrnout moje poslední zkušenosti týkající se dvou pokročilých a velice zajímavých témat: klonování LV a caching LV na SSD disku.
Na DevFestu 2014 v Praze na ČVUT se kromě mnoha jiných zajímavých přednášek objevila i moje přednáška o tom, jak komunikovat řečí s počítačem a o tom, zda vůbec s počítačem chceme mluvit. Ti, kdo se na přednášku nedostali se mohou podívat na následující záznam: Pokud budete mít jakékoli dotazy, neváhejte se zeptat buď v disuzi pod příspěvkem, nebo na emailu honza.svec@gmail.com, popř. na Twitteru @honza_svec.
Tento článek je pouze krátkým rozšířením předchozího článku o parsování XML dumpu Wikipedie. Ukáži kousek kódu, který umožní iterativní načítání XML za použití modulu ElementTree, který je nyní již standardní součástí Pythonu. Tento článek je pouze krátkým rozšířením předchozího článku o parsování XML dumpu Wikipedie .
Dnešní zápisek se bude zajisté hodit každému, kdo pracuje v oblasti machine learningu a potřebuje zpracovat velké množství textu, které se nachází v současné Wikipedii. Ukáži pár kousků kódu, které vám usnadní začátek při získávání čistého textu z MediaWiki stránek. Kde vzít data?
Python, stejně jako většina moderních programovacích jazyků, obsluhuje chyby vzniklé za běhu pomocí výjimek. Pro každého programátora v Pythonu je blok try … except základem všeho bytí. Výjimky se používají nejen pro obsluhu běhových chyb a chyb vzniklých v operačním systému, ale velice úzce souvisí i s dynamickým typováním samotného Pythonu (viz příklad zde).
V mnohých projektech používáme bezschémovou databázi MongoDB. Tato databáze poskytuje onu flexibilitu, kterou jsme v těchto projektech potřebovali, neboť mnoho záležitostí ohledně reprezentace dat v databázi se rýsovalo až v průběhu projektů. Kromě toho, že MongoDB umožňuje elegantně mapovat JSON (resp.