Публикации по теме 'deep-dives'
Квантовое обучение с глубокими сетями
Как сократить время обучения нейронной сети вдвое с минимальными усилиями
Квантование с первого взгляда
Существует много подходов для снижения накладных расходов на обучение нейронной сети, но одним из наиболее многообещающих методов является низкоточное/квантованное обучение. Подход прост — просто уменьшите количество битов, используемых для представления активаций и градиентов в сети во время обучения . Затем эти низкоточные представления, как показано на рисунке выше, ускоряют..
Машинное обучение: погружение глубже
Что это? Почему это имеет значение? Как это работает?
Что это такое?
Машинное обучение — это обучение, при котором машина может учиться самостоятельно, без явного программирования. Это приложение Al, которое предоставляет системе возможность автоматически учиться и совершенствоваться на основе опыта. Здесь мы можем сгенерировать программу, объединив входные и выходные данные этой программы. Одно из простых определений машинного обучения: «Говорят, что машинное обучение учится..
Корреляционная матрица, демистифицированная
Корреляционная матрица: что такое, как строится и для чего используется
В последних статьях этой мини-серии о статистических индексах (которая изначально создавалась на основе моего опыта преподавателя в Datamasters.it ) мы уже изучали дисперсию, стандартное отклонение, ковариацию и корреляцию . В этой статье мы сосредоточимся на структуре данных, описанной в предыдущей статье, которая, когда я начал изучать машинное обучение, буквально взорвала мой мозг, и не потому, что это..
Как обнаружить дрейф данных с помощью проверки гипотез
млн операций в секунду
Как обнаружить дрейф данных с помощью проверки гипотез
Подсказка: забудьте о p-значениях
Дрейф данных беспокоит любого, у кого есть модель машинного обучения, работающая с прогнозами в реальном времени. Мир меняется, и по мере того, как меняются вкусы потребителей или демографические данные, модель начинает получать значения характеристик, отличные от тех, которые она видела при обучении, что может привести к неожиданным результатам. Обнаружение дрейфа..
Полное руководство по SHAP: как объяснить любую модель машинного обучения «черный ящик» в Python
Объясните любую модель черного ящика нетехническим людям
Мотивация
Сегодня вы не можете просто подойти к своему начальнику и сказать: «Вот моя лучшая модель. Запустим в производство и будем счастливы!». Нет, сейчас это так не работает. Компании и предприятия придирчиво относятся к внедрению решений ИИ из-за их характера «черного ящика». Они требуют объяснимости модели.
Если специалисты по машинному обучению придумывают инструменты для понимания и объяснения моделей, которые..
Как точно настроить Llama2 для написания кода Python на потребительском оборудовании
Повышение уровня владения Llama2 Python с помощью методов контролируемой тонкой настройки и адаптации низкого ранга
Введение
В нашей предыдущей статье подробно рассматривалась Llama 2, представляя семейство моделей большого языка (LLM), которые Meta недавно представила и предоставила сообществу для исследования и коммерческого использования. Есть варианты, уже предназначенные для конкретных задач; например, Llama2-Chat для приложений чата. Тем не менее, мы, возможно, захотим еще..
Анализ справедливости в машинном обучении (с Python)
Выполнение исследовательского анализа справедливости и измерение справедливости с использованием равных возможностей, равных шансов и несоизмеримого воздействия
Уже недостаточно создавать модели, дающие точные прогнозы. Мы также должны убедиться, что эти прогнозы справедливы .
Это уменьшит вред предвзятых прогнозов. В результате вы проделаете долгий путь в укреплении доверия к своим системам искусственного интеллекта. Чтобы исправить предвзятость, нам нужно начать с анализа..
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..