Публикации по теме 'data-science'
Не зацикливайтесь на настройке гиперпараметров
Поздравляем, вы начинаете создавать настоящие модели с машинным обучением! Вы загрузили свой CSV-файл и выбрали модель для работы, теперь все, что вам нужно сделать, это найти правильную комбинацию параметров модели, чтобы ваша модель сияла… верно? Неправильный!
Мусор на входе, мусор на выходе.
Хотя настройка модели, безусловно, необходима (поскольку бесплатных обедов не бывает ), мы должны спросить себя, сидя и наблюдая, как наш поиск по сетке стучит по 100 000 различных..
Как условная энтропия используется в информационной геометрии, часть 1 (будущее машинного обучения)
Элементарное доказательство неравенства χ≤χ∗ для условной свободной энтропии (arXiv)
Автор: Дэвид Джекел , Дженнифер Пи .
Аннотация: Изучая теорию больших уклонений для матричного броуновского движения, Биан-Капитан-Гионне доказала неравенство χ(X)≤χ∗(X), связывающее два аналога энтропии в свободной вероятности, определенные Войкулеску. Мы даем новое доказательство χ≤χ∗, элементарное в том смысле, что оно не опирается на стохастические дифференциальные уравнения и теорию больших..
Ускоренный курс: нейронные сети, часть 4 — обучение с обратным распространением
Наконец, мы добрались до самой интересной части нашего путешествия по нейронной сети. В этой статье мы увидим, как обучается нейронная сеть! Я постараюсь сделать эту статью максимально простой, как всегда, чтобы вы не застряли в слишком большом количестве математики. Теперь давайте посмотрим, как обратное распространение используется, чтобы научить наши искусственные нейроны делать впечатляющие вещи. Обязательно прочитайте часть 3 , если вы еще этого не сделали!
Обратное..
Работа с непрерывностью Липшица, часть 2 (машинное обучение)
Варианты SGD для липшицевых функций с непрерывными потерями в средах с низкой точностью (arXiv)
Автор : Майкл Р. Метел
Аннотация: В этой работе, основанной на обучении нейронной сети в низкобитовых средах с плавающей и фиксированной запятой, изучается сходимость вариантов SGD с вычислительной ошибкой. Рассматривая общую стохастическую непрерывную функцию потерь Липшица, представлен новый результат сходимости к стационарной точке Кларка, предполагающий, что можно вычислить только..
Новые методы с радиальными базисными функциями, часть 2 (машинное обучение)
Масштабирование функций радиального базиса (arXiv)
Автор: Элизабет Ларссон , Роберт Шабак .
Аннотация: В этой статье изучается влияние масштабирования на поведение интерполяции радиальной базисной функции. Он фокусируется на некоторых центральных аспектах, но не пытается быть исчерпывающим. Наиболее важные вопросы таковы: как ошибка интерполянта на основе ядра зависит от масштаба выбранного ядра? Как изменяется граница стандартной ошибки? А поскольку фиксированные функции могут..
Последние исследования состояний матричного продукта, часть 7 (машинное обучение)
Построение неэрмитова родительского гамильтониана из состояний матричного произведения (arXiv)
Автор: Руохан Шэнь , Ючэнь Го , Шо Ян .
Аннотация: вот различные стратегии исследования, используемые для неэрмитовых систем, которые обычно включают введение неэрмитовых терминов в ранее существовавшие эрмитовы гамильтонианы. Непосредственное проектирование неэрмитовых моделей многих тел, обладающих уникальными характеристиками, которых нет в эрмитовых системах, может оказаться сложной..
Работа с оценщиком максимального правдоподобия, часть 4 (искусственный интеллект)
Оценка квазимаксимального правдоподобия многомерных факторных моделей (arXiv)
Автор : Маттео Баригоцци
Аннотация: Мы рассматриваем оценку квазимаксимального правдоподобия факторных моделей для многомерных панелей временных рядов. Мы рассматриваем два случая: (1) оценка, когда не указана динамическая модель для факторов (Bai and Li, 2016); (2) оценка на основе алгоритма сглаживания Калмана и алгоритма максимизации ожидания, что позволяет явно моделировать динамику факторов (Doz et..
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..