Публикации по теме 'artificial-intelligence'
Какое программное обеспечение мы должны использовать для разработки игр?
Раньше разработка игр была областью с чрезвычайно высоким барьером для входа. Вхождение в индустрию и издание собственной игры было долгим и трудным процессом, требующим времени, денег и продвинутых навыков программирования. Ресурсы, необходимые для создания видеоигр, находились в руках гигантов игровой студии AAA, и сделать это самостоятельно было практически невозможно.
К счастью, в последние годы ландшафт разработки игр резко изменился. Новообретенная доступность программного..
Начало работы с машинами для повышения градиента - с использованием параметров XGBoost и LightGBM
Psst .. Признание: в прошлом я использовал и настраивал модели, даже не зная, что они делают. Я попытался сделать то же самое с машинами для повышения градиента - LightGBM и XGBoost - и это было ... разочаровывающе!
Этот метод (или, скорее, ленивость) отлично работает для более простых моделей, таких как линейная регрессия, деревья решений и т. Д. У них всего несколько гиперпараметров - learning_rate , _2 _, _ 3_ - и легко понять, что они означают. .
Но GBM - это другой..
5 статей для чтения по использованию искусственного интеллекта с ЭКГ
Электрокардиограмма (ЭКГ) — это тест, который используется для оценки работы сердца. Электроды размещаются в определенных точках на груди, руках и ногах. Затем эти электроды подключаются к аппарату ЭКГ проводами отведений. Затем измеряется, интерпретируется и распечатывается электрическая активность сердца.
Распознавание биометрических данных ЭКГ: обзор, системное предложение и контрольная оценка ( arXiv )
Автор: Пьетро Мельци , Рубен Толосана , Рубен Вера-Родригес..
Точность: компромисс между смещением и дисперсией
В статье Какое машинное обучение (ML) выбрать? «[1] , который поможет вам выбрать правильное машинное обучение для ваших данных, мы указали, что с точки зрения бизнеса двумя наиболее важными измерениями являются точность и интерпретируемость .
Мы также заявили, что «Оценка точности модели машинного обучения имеет решающее значение при выборе и развертывании модели машинного обучения».
- Но какие факторы влияют на точность модели?
Точность зависит от подгонки модели. И подгонка..
Пользовательский опыт с машинным обучением
Машинное обучение известно своими трудностями с интерпретируемостью или, скорее, своим отсутствием. Это проблема, если вашим пользователям приходится работать с числовым выводом, как в системах, используемых в продажах, трейдинге или маркетинге. Если пользователь интерпретирует результаты машинного обучения неверно, фактические показатели не будут иметь значения, и вы получите плохой пользовательский опыт. Проблема еще больше, если вы попытаетесь переключить пользователей со старого..
Машинное обучение — основы
Машинное обучение — это новая трендовая область в наши дни и приложение искусственного интеллекта . Машинное обучение использует определенные статистические алгоритмы, чтобы заставить компьютеры работать определенным образом без явного программирования. Алгоритмы получают входное значение и предсказывают выход для него с использованием определенных статистических методов. Основная цель машинного обучения — создание интеллектуальных машин, которые могут думать и работать как люди...
LLM в здравоохранении : возможность предварительного разрешения
В тумане современного здравоохранения, где прорывы в медицинской науке сочетаются с постоянно меняющимся ландшафтом потребностей пациентов и соображений стоимости, ключевой практикой, которая направляет это хрупкое равновесие, является управление использованием . .
По своей сути Управление использованием – это искусство достижения идеального баланса между предоставлением оптимального ухода и рациональным распределением медицинских услуг, симфония, в которой медицинская..
Новые материалы
Как создать диаграмму градиентной кисти с помощью D3.js
Резюме:
Из этого туториала Вы узнаете, как добавить градиентную кисть к диаграмме с областями в D3.js. Мы добавим градиент к значениям SVG и применим градиент в качестве заливки к диаграмме с..
Я хотел выучить язык программирования MVC4, но не мог выучить его раньше, потому что это выглядит сложно…
Просто начните и учитесь самостоятельно
Я хотел выучить язык программирования MVC4, но не мог выучить его раньше, потому что он кажется мне сложным, и я бросил его. Это в основном инструмент..
Лицензии с открытым исходным кодом: руководство для разработчиков и создателей
В динамичном мире разработки программного обеспечения открытый исходный код стал мощной парадигмой, способствующей сотрудничеству, инновациям и прогрессу, движимому сообществом. В основе..
Объяснение документов 02: BERT
BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка.
Во время предварительного обучения модель обучается на неразмеченных данных с помощью..
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..