Глубокое обучение (глубинное обучение; англ.Deep learning) — совокупность методов машинного обучения (с учителем, с частичным привлечением учителя, без учителя, с подкреплением), основанных на обучении представлениям (англ.feature/representation learning), а не специализированных алгоритмах под конкретные задачи. Многие методы глубокого обучения были известны ещё в 1980-е (и даже ранее[1]), но результаты не впечатляли[2], пока продвижения в теории искусственных нейронных сетей (предобучение нейросетей с помощью специального случая ненаправленной графической модели, так называемой ограниченной машины Больцмана) и вычислительные мощности середины 2000-х годов (в том числе использующие графические ускорители, программируемые пользователем вентильные матрицы и различные формы нейронных процессоров) не позволили создавать сложные технологические архитектуры нейронных сетей, обладающие достаточной производительностью и позволяющие решать широкий спектр задач, не поддававшихся эффективному решению ранее, например, в компьютерном зрении, машинном переводе, распознавании речи, причём качество решения во многих случаях теперь сопоставимо, а в некоторых превосходит эффективность человека[3].
Несмотря на то что термин «глубокое обучение» появился в научном сообществе машинного обучения только в 1986 году после работы Рины Дехтер[4], первый общий рабочий алгоритм для глубоких многослойных перцептронов прямого распространения был опубликован в книге советских учёных Алексея Григорьевича Ивахненко и Валентина Григорьевича Лапы «Кибернетические предсказывающие устройства» ещё в 1965 г.[5]
Другие глубокие архитектуры, в особенности те, которые специализируются на распознавании образов, берут своё начало с неокогнитрона, разработанного Кунихико Фукусимой[англ.] в 1980 году. В 1989 году Яну Лекуну удалось использовать алгоритм обратного распространения ошибки для обучения глубоких нейросетей для решения задачи распознавания рукописных ZIP-кодов[6]. Несмотря на успешный опыт, для обучения модели потребовалось три дня, что существенно ограничивало применимость этого метода. Низкая скорость обучения связана со многими факторами, включая проблему исчезающих градиентов из-за большого разброса значений обучаемых параметров, которую в 1991 году анализировали Йорген Шмидхубер и Зепп Хохрайтер. Из-за этих проблем нейронные сети в 1990-х годах уступили место методу опорных векторов.
К 1991 году такие системы использовались для распознавания изолированных двумерных рукописных цифр, а распознавание трёхмерных объектов осуществлялось путём сопоставления двумерных изображений с трёхмерной объектной моделью, изготовленной вручную. В 1992 году создана модель кресцептрона[7][8][9] для распознавания трёхмерных объектов в загромождённых сценах.
В 1994 году Андре де Карвальо вместе с Майком Фэйрхерстом и Дэвидом Биссетом опубликовал экспериментальные результаты многослойной булевой нейронной сети, также известной как невесомая нейронная сеть, состоящая из трехуровневого самоорганизующегося модуля нейронной сети для выделения признаков (SOFT), а затем — модуль нейронной сети многоуровневой классификации (GSN). Каждый модуль прошел независимое друг от друга обучение. Каждый слой в модуле извлекал объекты с растущей сложностью относительно предыдущего слоя.[10]
В 1995 году Брендан Фрей продемонстрировал, что можно обучить (в течение двух дней) сеть, содержащую шесть полностью соединенных слоев и несколько сотен скрытых юнитов, используя алгоритм сна-бодрствования, разработанный совместно с Питером Даяном и Хинтоном[11]. Многие факторы способствуют низкой скорости, включая проблему исчезающего градиента, проанализированную в 1991 году Зеппом Хохрайтером[12][13].
Более простые модели, которые используют ручные работы, специфичные для конкретной задачи, такие как фильтры Габора и метод опорных векторов (МОВ), были популярным выбором в 1990-х и 2000-х годах из-за вычислительных затрат искусственной нейронной сети (ИНС, англ. ANN) и отсутствия понимания того, как мозг связывает свои биологические сети.
Как поверхностное, так и глубокое обучение (например, рекуррентные сети) ИНС изучалась в течение многих лет[14][15][16]. Эти методы никогда не превосходили неоднородную смешанную Гауссову модель и скрытую модель Маркова, основанную на генеративных моделях речи, обученных дискриминационно[17]. Были проанализированы ключевые трудности, в том числе уменьшение градиента[12] и слабая временная корреляционная структура в нейронных прогностических моделях[18][19]. Дополнительными трудностями были отсутствие обучающих данных и ограниченная вычислительная мощность.
Глубокое обучение приобрело популярность в середине 2000-х годов, когда всё сошлось воедино: компьютеры стали достаточно мощными, чтобы обучать большие нейронные сети (вычисления научились делегировать графическим процессорам, что ускорило процесс обучения на порядок), наборы данных стали достаточно объёмными, чтобы обучение больших сетей имело смысл, а в теории искусственных нейронных сетей произошло очередное продвижение — статьи Хинтона, Осиндеро и Тэ[20], а также Бенджио[21], в которых авторы показали, что можно эффективно предобучать многослойную нейронную сеть, если обучать каждый слой отдельно при помощи ограниченной машины Больцмана, а затем дообучать при помощи метода обратного распространения ошибки.
Революция в глубоком обучении
В 2012 году команда под руководством Джорджа Э. Даля выиграла конкурс «Merck Molecular Activity Challenge», используя многозадачные глубокие нейронные сети для прогнозирования биомолекулярной мишени одного препарата[22]. В 2014 году группа Хохрейтера использовала глубокое обучение для выявления нецелевых и токсических эффектов химических веществ, присутствующих в окружающей среде, в питательных веществах, продуктах домашнего обихода и лекарствах, и выиграла «Tox21 Data Challenge» от Национального института здравоохранения США, Управления по санитарному надзору за качеством пищевых продуктов и медикаментов и NCATS[23].
Значительное развитие в распознавании изображений или объектов ощущалось в период с 2011 по 2012 годы. Хотя сверточные нейронные сети (СНН), обученные обратному распространению, существовали в течение десятилетий, и GPU внедряли нейронные сети в течение многих лет, включая СНН, быстрые реализации СНН на GPU использовали для развития компьютерного зрения. В 2011 году этот подход впервые позволил добиться сверхчеловеческой производительности в конкурсе визуального распознавания образов. Также в 2011 году он выиграл конкурс рукописного ввода ICDAR, а в мае 2012 года — конкурс сегментации изображений ISBI[24]. До 2011 года СНН не играли основной роли на конференциях по компьютерному зрению, но в июне 2012 года доклад Циресана[25] на ведущей конференции CVPR показал, как максимальное объединение СНН на GPU может значительно улучшить многие результаты бенчмарков. В октябре 2012 г. аналогичная система была разработана Крижевским[26], коллектив которого выиграл крупномасштабный конкурс ImageNet со значительным преимуществом по сравнению с методами поверхностного машинного обучения. В ноябре 2012 года команда Циресана также выиграла конкурс ICPR по анализу больших медицинских изображений для выявления рака, а в следующем году MICCAI Grand Challenge по той же теме[27]. В 2013 и 2014 годах частота ошибок в задаче ImageNet с использованием глубокого обучения была ещё снижена вследствие аналогичной тенденции в широкомасштабном распознавании речи. Стивен Вольфрам в рамках проекта по идентификации изображений опубликовал эти улучшения[28].
Классификация изображений была затем расширена до более сложной задачи генерации описаний (подписей) для изображений, часто в виде комбинации СНН и LSTM[29][30][31][32].
Некоторые исследователи считают, что победа ImageNet в октябре 2012 года положила начало «революции глубокого обучения», которая изменила индустрию искусственного интеллекта[33].
В марте 2019 года Йошуа Бенжио, Джеффри Хинтон и Янн ЛеКун были награждены премией Тьюринга за концептуальные и инженерные прорывы, которые сделали глубокие нейронные сети критическим компонентом вычислений.
Нейронные сети
Искусственные нейронные сети (ИНС) — это вычислительные системы, основанные на принципах биологических нейронных сетей, составляющих мозг животных. Такие системы учатся (постепенно улучшают свои способности) выполнять задачи, как правило, без программирования для решения конкретных задач. Например, при распознавании изображений кошек они могут научиться распознавать изображения, содержащие кошек, анализируя примеры изображений, которые были вручную помечены как «кошка» или «нет кошки», и используя результаты анализа для идентификации кошек на других изображениях. Наибольшее применение ИНС нашли в программных приложениях, которые трудно выразить традиционным компьютерным алгоритмом, использующим программирование на основе правил.
ИНС основаны на наборе связанных единиц, называемых искусственными нейронами (аналог биологических нейронов в биологическом мозге). Каждое соединение (синапс) между нейронами может передавать сигнал другому нейрону. Принимающий (постсинаптический) нейрон может обрабатывать сигнал (сигналы) и затем сигнализировать о подключенных к нему нейронах. Нейроны могут иметь состояние, обычно представляемое действительными числами, обычно между 0 и 1. Нейроны и синапсы могут также иметь вес, который изменяется в процессе обучения, что может увеличивать или уменьшать силу сигнала, который он посылает далее.
Как правило, нейроны организованы в слои. Разные слои могут выполнять различные виды преобразований. Сигналы проходят от первого (входного) до последнего (выходного) слоя, возможно, после многократного прохождения слоев.
Первоначальная цель нейросетевого подхода состояла в том, чтобы решать задачи так же, как это делает человеческий мозг. Со временем внимание сосредоточилось на подборе определённых интеллектуальных способностей, что привело к отклонениям от биологии, таким как обратное распространение, или передаче информации в обратном направлении и настройке сети для отражения этой информации.
Нейронные сети используются для решения различных задач, включая машинное зрение, распознавание речи, машинный перевод, фильтрацию в социальных сетях, видеоигры и медицинскую диагностику.
Начиная с 2017 года нейронные сети обычно имеют от нескольких тысяч до нескольких миллионов единиц и миллионы соединений. Несмотря на то что это число на несколько порядков меньше, чем число нейронов в человеческом мозге, эти сети могут выполнять множество задач на уровне, превышающем возможности людей (например, распознавание лиц, игра в го)[34].
Глубокие нейронные сети
Глубокая нейронная сеть (глубинная нейронная сеть, ГНС, англ. DNN — Deep neural network) — это искусственная нейронная сеть (ИНС) с несколькими слоями между входным и выходным слоями[35][36]. ГНС находит корректный метод математических преобразований, чтобы превратить входные данные в выходные, независимо от линейной или нелинейной корреляции. Сеть продвигается по слоям, рассчитывая вероятность каждого выхода. Например, ГНС, которая обучена распознавать породы собак, пройдет по заданному изображению и вычислит вероятность того, что собака на изображении относится к определённой породе. Пользователь может просмотреть результаты и выбрать вероятности, которые должна отображать сеть (выше определённого порога, например), и вернуть в сеть предложенную метку. Каждое математическое преобразование считается слоем, а сложные ГНС имеют много слоев, отсюда и название «глубинные» или «глубокие» сети.
ГНС могут моделировать сложные нелинейные отношения. Архитектуры ГНС генерируют композиционные модели, в которых объект выражается в виде многоуровневой композиции примитивов[37]. Дополнительные уровни позволяют составлять элементы из более низких уровней, потенциально моделируя сложные данные с меньшим количеством единиц, чем мелкая сеть с аналогичными показателями[35].
Глубокая архитектура включает в себя множество вариантов нескольких основных подходов. Каждая архитектура нашла успех в определённых областях. Не всегда возможно сравнить производительность нескольких архитектур, если они не были оценены на одних и тех же наборах данных.
ГНС, как правило, представляют собой сети с прямой связью, в которых данные передаются от входного уровня к выходному уровню без обратной связи. Сначала ГНС создает карту виртуальных нейронов и назначает случайные числовые значения или «веса» соединениям между ними. Веса и входные данные умножаются и возвращают выходной сигнал от 0 до 1. Если сеть не точно распознала конкретный шаблон, алгоритм будет корректировать весовые коэффициенты, до тех пор, пока не определит коэффициенты, правильно обрабатывающие данные.[38]
обладает несколькими слоями выявления признаков или параметров представления данных (обучение без учителя). При этом признаки организованы иерархически, признаки более высокого уровня являются производными от признаков более низкого уровня.
является частью более широкой области машинного обучения изучения представлений данных.
формирует в процессе обучения слои на нескольких уровнях представлений, которые соответствуют различным уровням абстракции; слои образуют иерархию понятий.
Все определения констатируют
наличие нескольких слоев нелинейной обработки
обучение с учителем или без учителя признаков каждого слоя, формируя иерархию от низкого до высокого уровня[39].
Алгоритмы глубокого обучения противопоставлены алгоритмам неглубокого обучения по количеству параметризованных преобразований, с которыми сталкивается сигнал, распространяющийся от входного слоя к выходному слою, где параметризованным преобразованием считается такой блок обработки данных, у которого есть обучаемые параметры, такие как веса или пороги[41]. Цепочка преобразований от входа к выходу называется CAP — путём передачи ответственности (англ.credit assignment path, CAP). CAP описывают потенциальные причинные связи вдоль сети от входа к выходу, при этом путь в разных ветвях может иметь разную длину. Для нейронной сети прямого распространения (feedforward) глубина CAP не отличается от глубины сети и равна количеству скрытых слоев плюс один (выходной слой также параметризован). Для рекуррентных нейронных сетей, в которых сигнал может перескакивать через слои минуя промежуточные, CAP из-за обратной связи потенциально неограничен в длине. Не существует универсально согласованного порога глубины деления неглубокого обучения от глубокого обучения, но обычно считается, что глубокое обучение характеризуется несколькими нелинейными слоями (CAP > 2). Йорген Шмидхубер выделяет также «очень глубокое обучение», когда CAP > 10[41].
Комбинируя эти методы, создаются сложные системы, соответствующие различным задачам искусственного интеллекта.
Глубокое обучение является апробированной выборкой из широкого семейства методов машинного обучения для представлений данных, наиболее соответствующих характеру задачи. Изображение, например, может быть представлено многими способами, такими как вектор интенсивности значений на пиксель, или (в более абстрактной форме) как множество примитивов, областей определённой формы, и т. д. Удачные представления данных облегчают решение конкретных задач — например, распознавания лиц и выражений лица[44]). В системах глубокого обучения автоматизирует сам процесс выбора и настройки признаков, проводя обучение признаков[англ.]без учителя или с частичным привлечением учителя, используя для этого эффективные алгоритмы и иерархическое извлечение признаков[англ.][45].
Исследования в этой области позволили усовершенствовать модели работы с большими объёмами немаркированных данных. Некоторые подходы возникли в результате достижений в области нейронаук, успехов интерпретации обработки информации, построения коммуникационных моделей в нервной системе, таких как нейронное кодирование, связанное с определением отношения между стимулом и нейронными реакциями и взаимосвязи электрической активности между нейронами в головном мозге[46].
Несмотря на успехи использования глубинного обучения, у него всё же есть фундаментальное ограничение: модели глубинного обучения ограничены в том, что они могут представлять, и большинство программ нельзя выразить в виде непрерывного геометрического морфинга многообразия данных[47].
Осталось, однако, и скептическое представление, что глубокое обучение — не что иное, как модное слово или ребрендинг для нейронных сетей[48][49].
↑На самом деле, первые глубокие сети появились ещё в середине 1960-х: сети в виде глубоких перцептронов были описаны в работах советских учёных А. Г. Ивахненко и В. Г. Лапы — см. далее раздел «История».
↑Исследователь нейронных сетей Джон Денкер (John Denker) в 1994 году заметил: «Нейронные сети — это второй лучший способ сделать практически что угодно».
↑Deng, L.; Hassanein, K.; Elmasry, M. Analysis of correlation structure for a neural predictive model with applications to speech recognition // Neural Networks. 7 (2). — 1994. — С. 331–339. — doi:10.1016/0893-6080(94)90027-2.
↑Ciresan, D.; Meier, U.; Schmidhuber, J. Multi-column deep neural networks for image classification // IEEE Conference on Computer Vision and Pattern Recognition. — 2012. — С. 3642–3649. — ISBN 978-1-4673-1228-8. — doi:10.1109/cvpr.2012.6248110. — arXiv:1202.2745..
↑Ciresan, D.; Giusti, A.; Gambardella, L.M.; Schmidhuber, J. Mitosis Detection in Breast Cancer Histology Images using Deep Neural Networks // Proceedings MICCAI. Lecture Notes in Computer Science. 7908 (Pt 2): 411–418.. — 2013. — ISBN 978-3-642-38708-1. — doi:10.1007/978-3-642-40763-5_51. — PMID24579167.
↑Vinyals, Oriol; Toshev, Alexander; Bengio, Samy; Erhan, Dumitru. Show and Tell: A Neural Image Caption Generator // [cs.CV]. — 2014. — arXiv:1411.4555.
↑Fang, Hao; Gupta, Saurabh; Iandola, Forrest; Srivastava, Rupesh; Deng, Li; Dollár, Piotr; Gao, Jianfeng; He, Xiaodong; Mitchell, Margaret; Platt, John C; Lawrence Zitnick, C; Zweig, Geoffrey. From Captions to Visual Concepts and Back // [cs.CV]. — 2014. — arXiv:https://arxiv.org/abs/1411.4952.
↑Kiros, Ryan; Salakhutdinov, Ruslan; Zemel, Richard S. Unifying Visual-Semantic Embeddings with Multimodal Neural Language Models // [cs.LG]. — 2014. — arXiv:https://arxiv.org/abs/1411.2539.
↑Zhong, Sheng-hua; Liu, Yan; Liu, Yang. Bilinear Deep Learning for Image Classification // Proceedings of the 19th ACM International Conference on Multimedia. MM '11. New York, NY, USA: ACM. — 2011. — С. 343–352. — ISBN 9781450306164. — doi:10.1145/2072298.2072344.
↑Silver, David; Huang, Aja; Maddison, Chris J.; Guez, Arthur; Sifre, Laurent; Driessche, George van den; Schrittwieser, Julian; Antonoglou, Ioannis; Panneershelvam, Veda. Mastering the game of Go with deep neural networks and tree search // Nature: 529 (7587):. — January 2016. — ISSN1476-4687. — doi:10.1038/nature16961. — Bibcode: 2016Natur.529..484S. — PMID26819042.
↑Glauner, P. (2015). Deep Convolutional Neural Networks for Smile Recognition (MSc Thesis). Imperial College London, Department of Computing. arXiv:1508.06535.
↑Olshausen, B. A. Emergence of simple-cell receptive field properties by learning a sparse code for natural images (англ.) // Nature : journal. — 1996. — Vol. 381, no. 6583. — P. 607—609. — doi:10.1038/381607a0. — Bibcode: 1996Natur.381..607O. — PMID8637596.
Воскресение Иисуса Христа, ярославская иконописная школа, XVII век Воскресение Иисуса Христа — одно из наиболее известных событий, описанных в книгах Нового Завета. Вера в воскресение из мёртвых Иисуса является краеугольным камнем христианства. Содержание 1 Пророчества…
Часть серии статей о Холокосте Идеология и политика Расовая гигиена · Расовый антисемитизм · Нацистская расовая политика · Нюрнбергские расовые законы Шоа Лагеря смерти Белжец · Дахау · Майданек · Малый Тростенец · Маутхаузен · …
Pour les articles homonymes, voir Suisse (homonymie). Confédération suisse(de) Schweizerische Eidgenossenschaft (it) Confederazione svizzera (rm) Confederaziun svizra (la) Confoederatio Helvetica Drapeau de la Suisse Armoiries de la Suisse Devise en latin : Unus pro omnibus, omnes pro uno[n 1] (« Un pour tous, tous pour un ») Hymne Cantique suisse Fête nationale 1er août · Événement commémoré Le Pacte fédéral (1291) Administration Forme d…
The Dean's December First edition coverAuthorSaul BellowCountryUnited StatesLanguageEnglishPublisherHarper & RowPublication date1982Media typePrint (hardback & paperback)Pages346Preceded byHumboldt's Gift Followed byMore Die of Heartbreak 1982 novel by Saul Bellow The Dean's December is a 1982 novel by the American author Saul Bellow. Setting The first novel Bellow published after winning the Nobel Prize in Literature in 1976, it is set in Chicago and Bucharest.…
مانويل أوجارت (بالإسبانية: Manuel Ugarte) معلومات شخصية الاسم الكامل مانويل أوجارت ريبيرو[1] الميلاد 11 أبريل 2001 (العمر 22 سنة)مونتفيدو، الأوروغواي الطول 1.82 م (5 قدم 11 1⁄2 بوصة)[2] مركز اللعب وسط الجنسية الأوروغواي معلومات النادي النادي الحالي باريس سان جيرمان…
Winston Western 500NASCAR Winston Cup SeriesTempatRiverside International RacewayLokasiMoreno Valley, CaliforniaPerusahaan sponsorWinstonLomba pertamaCrown America 500 1958[1]Lomba terakhirWinston Western 500 1987[2]Jarak tempuh311.8 miles (502 km)Jumlah putaran119Nama sebelumnyaCrown America 500 (1958)Unnamed (1961)Riverside 500 (1963)Motor Trend 500 (1964–1971)Winston Western 500 (1972–1987)Terbanyak menang(pengemudi)Dan Gurney (5)Terbanyak menang(pabrikan)Ford (11) Winston…
American college basketball season 1994–95 Louisville Cardinals men's basketballMetro Conference tournament championsNCAA tournament, Round of 64ConferenceMetro ConferenceRecord19–14 (7–5 Metro)Head coachDenny Crum (24th season)Home arenaFreedom HallSeasons← 1993–941995–96 → 1994–95 Metro Conference men's basketball standings vte Conf Overall Team W L PCT W L PCT UNC Charlotte 8 – 4 .667 19 – 9 .679…
يفتقر محتوى هذه المقالة إلى الاستشهاد بمصادر. فضلاً، ساهم في تطوير هذه المقالة من خلال إضافة مصادر موثوق بها. أي معلومات غير موثقة يمكن التشكيك بها وإزالتها. (نوفمبر 2019) كأس الاتحاد الإنجليزي 1906–07 تفاصيل الموسم كأس الاتحاد الإنجليزي النسخة 36 البلد المملكة المتحدة …
Ligue 1 2019-2020 Généralités Sport Football Organisateur(s) LFP Édition 82e Lieu(x) France et Monaco Date Du 9 août 2019au 8 mars 2020 (arrêt définitif) Participants 20 équipes Matchs joués 279 (sur 380 prévus) Site web officiel Site officiel Hiérarchie Hiérarchie 1er échelon Niveau inférieur Ligue 2 2019-2020 Palmarès Tenant du titre Paris Saint-Germain (8) Promu(s) en début de saison FC MetzStade brestois 29 Vainqueur Paris Saint-Germain (9) Deuxième Olympique de Marseil…
Real OviedoCalcio Oviedistas, Carbayones, Azules, Godos Segni distintivi Uniformi di gara Casa Trasferta Terza divisa Colori sociali Blu, bianco Dati societari Città Oviedo Nazione Spagna Confederazione UEFA Federazione FEF Campionato Segunda División Fondazione 1926 Proprietario Grupo Pachuca Presidente Martín Peláez Allenatore Luis Carrión Stadio Carlos Tartiere(30 500 posti) Sito web www.realoviedo.es Palmarès Si invita a seguire il modello di voce Il Real Oviedo è una socie…
Sporting event delegationIvory Coast at theParalympicsFlag of Ivory CoastIPC codeCIVNPCFédération Ivoirienne des Sports ParalympiquesMedals Gold 3 Silver 1 Bronze 1 Total 5 Summer appearances19962000200420082012201620202024 Ivory Coast first competed at the Paralympic Games in 1996. It has participated in every Summer Paralympics since then, but has never taken part in the Winter Paralympics. Côte d'Ivoire has won four Paralympic medals, three gold and one bronze, all in the sport of track an…
Month of 1920 1920 January February March April May June July August September October November December << November 1920 >> Su Mo Tu We Th Fr Sa 01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 November 2, 1920: Warren G. Harding elected U.S. president with 60% of the popular vote, 76% of the electoral vote November 2, 1920: Execution of teenager Kevin Barry triggers escalating violence in Ireland November 15, 1920: League of Nations h…
جامع السليمانية الكبير جامع السليمانية الكبير (مسجد الشيخ أحمد) إحداثيات 35°33′29″N 45°26′26″E / 35.558°N 45.4405°E / 35.558; 45.4405 معلومات عامة القرية أو المدينة السليمانية الدولة العراق تاريخ بدء البناء 1199هـ/1784م، المواصفات المساحة 6000م2 عدد المصلين 2000 عدد المآذن 2 عدد القبا…
Banca Commerciale Italiana Trust Co. of New YorkEast Harlem branchFounded1924; 100 years ago (1924) in New York City, New YorkFounderBanca Commerciale ItalianaDefunct1939; 85 years ago (1939) Banca Commerciale Italiana (BCI) established Banca Commerciale Italiana Trust Co. of New York (BCITNY) in 1924 and closed it in 1939, in the run-up to World War II. In 1917 Lodovico Toeplitz, chief of the Foreign Department of BCI, visited New York. In January 1918 BCI es…
Norma SangerLahirNorma Sanger3 Desember 1934Meninggal16 April 1990(1990-04-16) (umur 55)Pekerjaanpenyanyi, aktris Norma Sanger (3 Desember 1934 – 16 April 1990) adalah seorang penyanyi seriosa Indonesia pada era 50-an. Norma Sanger terkenal dengan lagu Si Gembala Sapi. Karier Mulai menyanyi sejak umur 8 tahun, 7 tahun kemudian (1953) Norma keluar sebagai juara kedua Bintang Radio seluruh Indonesia untuk jenis seriosa. Tahun 1955 sampai 1968 berturut-turut dia berhasil menggo…
SicincinNagariBangunan bersejarah Surau Atok Ijuak SicincinNegara IndonesiaProvinsiSumatera BaratKabupatenPadang PariamanKecamatan2x11 Enam LingkungKodepos25584Kode Kemendagri13.05.04.2002 Luas21.84 km²Jumlah penduduk... jiwaKepadatan... jiwa/km² Sicincin adalah sebuah nagari yang berada di wilayah Kecamatan 2x11 Enam Lingkung, Kabupaten Padang Pariaman, Provinsi Sumatera Barat, Indonesia. Nagari Sicincin memiliki luas 21.84 kilometer persegi, terletak di jalur lintas Padang - Bukittinggi…
قصر الخديوي توفيقمعلومات عامةنوع المبنى قصرالمكان القاهرةالمنطقة الإدارية حلوان البلد مصرمعلومات أخرىالإحداثيات 29°50′50″N 31°20′35″E / 29.84711°N 31.34317°E / 29.84711; 31.34317 تعديل - تعديل مصدري - تعديل ويكي بيانات قصر الخديوي توفيق أو فندق عين الحياة أو قصر عين الحياة[1]…
Alpine ski discipline year standings 2024 Women's Giant Slalom World Cup Lara Gut-Behrami of Switzerland, season champion 2024 Women's World CupOverall • Downhill • Super-GGiant slalom • Slalom Previous: 2023 Next: 2025 The women's giant slalom in the 2024 FIS Alpine Skiing World Cup included eleven events, including the final.[1] The season opened in Sölden, Austria on 28 October 2023. After an injury to defending champion Mikaela Shiffrin of the United States, the season champio…
Aire d'attraction de Bagnères-de-Bigorre Localisation de l'aire d'attraction de Bagnères-de-Bigorre dans le département des Hautes-Pyrénées. Géographie Pays France Région Occitanie Département Hautes-Pyrénées Caractéristiques Type Aire d'attraction d'une ville Code Insee 398 Catégorie Aires de moins de 50 000 habitants Nombre de communes 21 Population 13 159 hab. (2021) modifier L'aire d'attraction de Bagnères-de-Bigorre est un zonage d'étude défini par l…