WedX - журнал о программировании и компьютерных науках

Публикации по теме 'artificial-intelligence'


Новое исследование методов плотного поиска, часть 3 (искусственный интеллект)
Расширение представлений проходов с помощью генерации запросов для расширенного межъязыкового плотного поиска (arXiv) Автор: Шэнъяо Чжуан , Линьцзюнь Шоу , Гвидо Цуккон . Аннотация: Эффективные межъязыковые методы плотного поиска, основанные на многоязычных предварительно обученных языковых моделях (PLM), должны быть обучены, чтобы охватить как задачу сопоставления релевантности, так и задачу согласования между языками. Тем не менее, межъязыковые данные для обучения часто..

Слияние искусства и искусственного интеллекта: изучение творческих алгоритмов и их влияние на визуальное искусство (1/3)
Слияние искусства и искусственного интеллекта: изучение творческих алгоритмов и их влияние на визуальное искусство (1/3) Введение Пересечение искусства и технологий всегда создавало благодатную почву для инноваций, объединяя человеческое творчество с передовыми инструментами. С появлением искусственного интеллекта (ИИ) развивалось сочетание творчества и технологий, прокладывая путь к живой и постоянно меняющейся категории в мире искусства. В области изобразительного искусства..

Алгоритм случайного леса
Случайный лес — это популярный метод «обучения по ансамблю» (объединяет несколько небольших моделей посредством голосования/усреднения для получения прогноза) для задач классификации и регрессии. Он работает путем построения большого количества деревьев решений во время обучения и вывода класса с большинством голосов среди деревьев решений (классификация) или среднего прогноза (регрессия) отдельных деревьев. Деревья решений построены таким образом, что каждое дерево немного отличается..

Этот информационный бюллетень AI - все, что вам нужно # 54
Что произошло на этой неделе в AI by Louie На этой неделе мы были рады прочитать, как Демис Хассабис обсуждает грядущую новую модель Gemini Large Language от Deepmind. Исторически сложилось так, что DeepMind в первую очередь посвящала свои усилия обучению с подкреплением (RL) и оставалась относительно спокойной в разработке больших языковых моделей (LLM). Тем не менее, DeepMind стоял за документом Chinchilla, который с тех пор стал эталоном для обучения LLM, а также представил Sparrow в..

Последние обновления в поиске нейронной архитектуры, часть 9 (машинное обучение)
DAS: поиск нейронной архитектуры с помощью отличительной оценки активации (arXiv) Автор: Юцяо Лю , Хайпэн Ли , Яньань Сунь , Шуайчэн Лю . Аннотация: Поиск нейронной архитектуры (NAS) — это автоматический метод, который может искать хорошо выполненные архитектуры для конкретной задачи. Хотя NAS превосходит спроектированную человеком архитектуру во многих областях, высокие вычислительные затраты на оценку архитектуры, которые она требует, сдерживают ее развитие. Возможным решением..

Понимание уровня согласованности в базе данных Milvus Vector — часть II
Эта статья написана Jiquan Long и переработана Angela Ni . В предыдущем блоге о согласованности мы объяснили, что означает согласованность в распределенной векторной базе данных, рассмотрели четыре уровня согласованности — строгий, ограниченное устаревание, сеанс и возможность, поддерживаемые в векторной базе данных Milvus, и объяснили наиболее подходящий сценарий приложения для каждого уровня согласованности. В этом посте мы продолжим изучение механизма, позволяющего..

Работа с полиномиальной оптимизацией, часть 3 (машинное обучение)
Многоступенчатая полиномиальная оптимизация (arXiv) Автор : Кемаль Роуз Аннотация: Мы изучаем структурированные задачи оптимизации с полиномиальной целевой функцией и полиномиальными ограничениями-равенствами. Структура исходит из множественной градации на кольце многочленов по нескольким переменным. Для фиксированных мультистепеней определяется общее число комплексных критических точек. Это служит мерой алгебраической сложности задачи оптимизации. Мы также обсуждаем методы..

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..


Для любых предложений по сайту: [email protected]