You already know that more and more companies are using machine learning with different purposes. Amazon suggests products that are just right for you; Netflix will recommend you series and movies that you will probably like; Uber can always allocate a driver to you at the same time as it tries to balance the number of runs between different drivers. These seem to be trivial applications, but behind it there are techniques in the state of the art in machine learning.

With this in mind, maybe it is time for your e-commerce to start using machine learning too. …


Não deve ser novidade para você que cada vez mais existem empresas utilizando Machine Learning com diversos propósitos diferentes. A Amazon sugere produtos ideais para você; a Netflix vai te recomendar séries e filmes que você provavelmente vai gostar; a Uber consegue sempre te alocar um motorista próximo, ao mesmo tempo que tenta equilibrar o número de corridas entre diferentes motoristas. Parecem coisas triviais, mas por trás disso existem técnicas no estado da arte em Machine Learning.

E se você pensa que isso está restrito às grandes empresas tech internacionais, está enganado. O portal brasileiro globo.com utiliza Machine Learning para…


This post continues the post published by Infosimples in 19/oct/2018: https://medium.com/infosimples/does-cnn-learns-modified-inputs-bc16ae1be498

TL;DR: The best way to deal with different sized images is to downscale them to match dimensions from the smallest image available.

If you read out last post, you know that CNNs are able to learn information from images even if its channels are flipped, over a cost in the model accuracy.

This post studies a similar problem: suppose each color channel has a different size. Which are the best ways to train an image classifier in those circunstancies?

First, let's create a simple model to serve as base…


The english version of this article is available in https://medium.com/infosimples/how-to-deal-with-image-resizing-in-deep-learning-e5177fad7d89

Este artigo é uma continuação do artigo publicado pela Infosimples no dia 19/11/2018: https://medium.com/infosimples-br/a-cnn-aprende-entradas-modificadas-e3d946349bcc

SE VOCÊ NÃO QUISER LER TUDO: A melhor maneira de lidar com imagens de tamanhos diferentes é diminuir todas para o menor tamanho disponível.

Se você leu nosso artigo anterior, sabe que CNNs são capazes de capturar informações de imagens mesmo se seus canais estiverem invertidos, porém com um custo na acurácia do modelo.

Este artigo explora um problema análogo: suponha que cada canal de cor de uma imagem tenha tamanho diferente. …


We know that many Deep Learning techniques are used in many different areas of our daily routine, such as: music recomendation, traffic light network control, advertisement distribution, beyond many other applications.

In 2015, deep learning researcher Ian Goodfellow published a paper introducing the concept of Generative Adversarial Networks (GANs). Briefly explaining, GANs are made from two Machine Learning models:

  • A generator model (G), able to learn some characteristics of a dataset, thus able to "create" new data "similar" to the originals;
  • A discriminator model (D), able to differentiate real data from synthesized data on the generator.

The training process consists…


Note: an english version of this article is avaliable at https://medium.com/infosimples/creating-pokemon-with-artificial-intelligence-d080fa89835b

Já sabemos que várias técnicas de Deep Learning são empregadas nas mais diversas atividades do nosso dia-a-dia, tais como: recomendação de músicas, controle de redes de semáforos, distribuição de propagandas, além de incontáveis outras aplicações.

Em 2015, o pesquisador Ian Goodfellow publicou um artigo que introduz o conceito de Generative Adversarial Networks (GANs). De maneira resumida, as GANs são compostas por dois modelos de Machine Learning:

  • Um modelo gerador (G) que aprende algumas características de um conjunto de dados, e com isso tenta "criar" novos dados "parecidos" com os…


In the past few years, many Machine Learning applications related to image recognition stood out. Used to power self-driving cars, detecting anomalies in medical imaging, or even tell dog breeds apart, image classifiers are usually built over an architeture called Convolutional Neural Networks (or CNNs).


Nos últimos anos, muitas aplicações de Machine Learning relacionadas a reconhecimento de imagens ficaram em evidência. Seja para criar os mecanismos de visão dos veículos autônomos, detectar anomalias em imagens médicas ou até mesmo diferenciar raças de cachorros, os classificadores de imagens são construídos sobre a arquitetura de Redes Neurais Convolucionais (Convolutional Neural Networks, ou CNNs para os mais íntimos).


Você já deve ter passado por uma situação onde cada um dos seus clientes acessa sua API de maneira diferente, e provavelmente teve que desenvolver rotas e parâmetros específicos para cada um deles. Como se isso não fosse problemático o suficiente, ficou ainda mais complicado lançar uma nova feature ou remover algum resultado ou rota.

Parafraseando o título deste artigo, você se indaga o seguinte: “Como dar ao cliente total controle sobre os dados de uma API?”. A resposta (mais uma vez parafraseando o título) é: utilizando o GraphQL.

Adriano Dennanni

Hi! I’m a Machine Learning Engineer and tech enthusiast.

Get the Medium app

A button that says 'Download on the App Store', and if clicked it will lead you to the iOS App store
A button that says 'Get it on, Google Play', and if clicked it will lead you to the Google Play store