Публикации по теме 'artificial-intelligence'
Станьте первопроходцем в области машинного обучения
Уолт Дисней однажды сказал: «Все наши мечты могут сбыться, если у нас хватит смелости осуществить их». Я могу определенно сказать из недавнего опыта, что он был прав!
Я очень рад объявить, что недавно меня приняли в суперконкурентную программу обучения машинному обучению, проводимую Основателями и кодерами . Я начал программу 20 марта, и мне действительно кажется, что моя мечта наконец-то превращается в реальность.
Ученичество , которое эквивалентно степени магистра в области..
Как работает сокращение параметров, часть 1 (машинное обучение)
Преодоление катастрофического забывания с помощью мягкого сокращения параметров (arXiv)
Автор: Цзянь Пэн , Цзян Хао , Чжо Ли , Энцян Го , Сяохун Ван , Дэн Минь , Цин Чжу , Хайфэн Ли .
Аннотация: Катастрофическое забывание — это проблема непрерывного обучения, когда глубокая нейронная сеть забывает знания, полученные в предыдущей задаче, после обучения на последующих задачах. Однако существующие методы пытаются найти совместное распределение параметров, общее для всех задач...
**Раскрытие искусства подсказок ИИ: часть 9 — Использование инструкций**
В современную цифровую эпоху общение с ИИ становится все более распространенным: от получения информации до помощи в сложных задачах. Однако не все взаимодействия с ИИ одинаковы. Чтобы сделать ваши разговоры более структурированными, интересными и продуктивными, неоценимое значение имеет искусство использования четких и кратких инструкций в подсказках. В этом блоге мы углубимся в возможности инструкций по подсказкам и приведем практический пример создания редактора кода с использованием..
Работа с извлечением отношений, часть 3 (машинное обучение)
Идентификатор объекта: основанная на анализе естественного текста платформа для извлечения отношений сущностей (arXiv)
Автор: Эль Мехди Чоухам , Джессика Лопес Эспехель , Махаман Санусси Яхая Алассан , Валид Дахане , Эль Хассан Эттифури .
Аннотация: В области программирования существует множество парадигм, которые используются в соответствии с рабочей структурой. Хотя современные методы генерации нейронного кода способны обучаться и генерировать код непосредственно из текста, мы..
Объяснение и практическое описание машин опорных векторов с ядрами
С помощью Scikit-Learn и Google Colab
Машина опорных векторов — это алгоритм, используемый для регрессии и классификации на основе уникальной линейной модели, что означает фиксированную линию или фиксированную плоскость для различения или прогнозирования меток. Это приводит к строгой модели, которая не может классифицировать данные определенного типа, особенно если данные перекрываются в двух или более категориях. Подробнее о SVM можно прочитать в моих предыдущих статьях:
и..
Заработайте более 250 тысяч долларов в качестве специалиста по данным в этих отраслях
Варианты карьеры для специалистов по данным
«Многие современные предприятия научились добывать данные. На самом деле добыча данных становится почти рутиной. Но по мере того, как мы продвигаемся дальше в 21-й и 22-й века, использование данных становится приоритетным. Таким образом, речь идет не только о сборе всех этих данных, но и о том, чтобы проявить творческий подход к созданию новых способов использования этих данных в стремлении повысить ценность». ― Хендрит Ванлон..
Imagen превосходит DALL-E 2 в преобразовании текста в изображение
Узнайте, как Imagen создает более реалистичное изображение из текста, чем DALL-E 2
В детстве вы когда-нибудь представляли себе, что ваши каракули в художественном классе могут ожить? Как бы это было круто. Или как было бы страшно, если бы вы нарисовали сердитого дракона 🐉. Не знаю, как вам, но мне бы очень понравился мой арт-класс, если бы это было так.
Прочтите этот пост в Твиттере от @wand_app о том, как функция эскиза Wand может создавать 2D-изображения из ваших эскизов. Теперь..
Новые материалы
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..
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..