WedX - журнал о программировании и компьютерных науках

Публикации по теме 'artificial-intelligence'


Мониторинг моделей машинного обучения в производстве: зачем и как?
Как на нашу модель влияет развивающийся мир? Анализ, сосредоточенный на примерах отклонений и реализации стратегий мониторинга на основе Python. Разработка модели машинного обучения (ML) часто занимает время и требует технических знаний. Как энтузиасты науки о данных, когда мы получаем набор данных для изучения и анализа, мы охотно обучаем и проверяем его, используя разнообразные современные модели или применяя стратегии, ориентированные на данные . Когда мы оптимизируем..

Как задачи оптимального управления используются в машинном обучении, часть 12
Анализ ошибок конечных элементов и устойчивость решения аффинных задач оптимального управления (arXiv) Автор : Николай Ёрк Аннотация: Рассматриваются аффинные задачи оптимального управления с полулинейными эллиптическими УЧП. Результаты двоякие; во-первых, мы продолжаем анализ устойчивости решения задач управления при возмущениях, возникающих совместно в целевом функционале и УЧП. Для этого рассмотрим свойство типа коэрцитивности, распространенное в области оптимального управления...

Стоит ли своевременная разработка?
Всем привет! Вы можете спросить, что такое оперативное проектирование? Проще говоря, это способ эффективного общения с ИИ для достижения желаемых результатов. И, как и в случае с любым новаторским навыком, он имеет несколько выгодных потенциальных наград — как звучит зарплата в диапазоне от 240 000 до 330 000 долларов в год? А теперь подождите — я знаю, о чем вы думаете: эта зарплата не может быть точной, верно? Ну, верьте или нет, это так. Несмотря на скептицизм, быстрое..

Работа с сэмплером Гиббса, часть 1 (машинное обучение)
Разделенный сэмплер Гиббса Plug-and-Play: встраивание глубоких генеративных априорных значений в байесовский вывод (arXiv) Автор: Флорентен Керду , Николя Добижон , Пьер Шене . Аннотация: Флорентен Керду , Николя Добижон , Пьер Шене . 2. Блокированный семплер Гиббса для иерархических процессов Дирихле (arXiv) Автор: Снигдха Дас , Ябо Ниу , Янг Ни , Бани К. Маллик , Дебдип Пати . Аннотация: Апостериорное вычисление в смешанных моделях иерархического процесса Дирихле..

5 лучших неизвестных учебных проектов без учителя на Github, которые помогут вам с машинным обучением…
Неконтролируемое обучение — это тип алгоритма, который изучает шаблоны из немаркированных данных. Надежда состоит в том, что машина вынуждена создавать компактное внутреннее представление своего мира посредством мимикрии. Википедия Неконтролируемая классификация выполняется довольно быстро и легко. Предварительных знаний в этой области не требуется, но вы должны уметь идентифицировать и обозначать классы после классификации . Основные области применения неконтролируемого..

Лассо-регрессия: подробное руководство по выбору функций для надежной регрессии
Лассо-регрессия — популярный метод выбора признаков, который широко используется в машинном обучении, статистике и электротехнике. Это тип линейной регрессии, который использует регуляризацию L1 для сведения коэффициентов менее важных функций к нулю. В результате получается разреженная модель, которая включает только наиболее важные функции, что упрощает интерпретацию и повышает эффективность вычислений. Одним из основных преимуществ регрессии Лассо является ее способность обрабатывать..

Имитация + RL
Обучение с подкреплением и имитация - две естественные модели мощных систем искусственного интеллекта. Обе модели имеют недостатки: Если мы не знаем, какие части поведения «важны», имитатору необходимо смоделировать каждую часть поведения, прежде чем будет гарантировано получение хороших результатов. Более того, мы не можем сосредоточить возможности нашей модели или вычислительные ресурсы на важных аспектах поведения, поэтому нам нужно использовать более крупную модель, чтобы получить..

Новые материалы

Как проанализировать работу вашего классификатора?
Не всегда просто знать, какие показатели использовать С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..

Работа с цепями Маркова, часть 4 (Машинное обучение)
Нелинейные цепи Маркова с агрегатором и их приложения (arXiv) Автор : Бар Лайт Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..

Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
Как вы сегодня, ребята? В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..

Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение. В этом процессе мы будем использовать неконтролируемое обучение, чтобы..

Учебные заметки: создание моего первого пакета Node.js
Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm. Оглавление Глоссарий I. Новый пакет 1.1 советы по инициализации..

Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных. Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..

ИИ в аэрокосмической отрасли
Каждый полет – это шаг вперед к великой мечте. Чтобы это происходило в их собственном темпе, необходима команда астронавтов для погони за космосом и команда технического обслуживания..


Для любых предложений по сайту: [email protected]