Публикации по теме 'deep-learning'
КЛАССИФИКАЦИЯ ПОРОД ОБЕЗЬЯН С ИСПОЛЬЗОВАНИЕМ ПЕРЕДАЧИ ОБУЧЕНИЯ — С ИСХОДНЫМ КОДОМ — САМОЕ ПРОСТОЕ ОБЪЯСНЕНИЕ КОДА…
В сегодняшнем блоге мы будем использовать трансферное обучение для реализации нашего сегодняшнего проекта — классификации пород обезьян. Трансферное обучение — это просто использование уже обученной модели для нашего текущего варианта использования. В этом случае мы будем использовать Mobilenet, предварительно обученный на Imagenet. Так что без каких-либо дополнительных должностей.
Прочитайте полную статью с исходным кодом здесь —..
Руководство по контролируемому обучению с помощью scikit-learn (часть 1)
Часть 1: Метрики для оценки моделей классификации ( Кодекс )
Содержание
Матрица путаницы Ошибка типа 1 (FP) и типа 2 (FN) Точность Точность/специфичность Отзыв/Чувствительность F1-счет Скорость ошибочной классификации Истинная положительная скорость (TPR) Ложноположительный показатель (FPR) Истинный отрицательный показатель (TNR) Нулевая частота ошибок Интерпретация матрицы путаницы и вычисление производных метрик на примере Кривая ROC (рабочая характеристика приемника) и AUC..
ПУТЕШЕСТВИЕ…. Исчисление!
Этот пост в блоге — мой прогресс за 6-й день в #100DaysofMLCode . Возвращение к основам машинного обучения помогло мне лучше понять то, что я узнал. В этом сообщении в блоге я поделюсь своими заметками о Deep Learning Book Chapter 4: Numerical Computation . Я определенно чувствую мем выше.
Обратите внимание, что этот пост предназначен для того, чтобы я мог в будущем ознакомиться с материалами этой книги, не перечитывая ее заново.
Вычисление больших числовых вычислений..
Приложения CycleGAN часть 2 (машинное обучение)
Использование CycleGAN для создания реалистичных изображений STEM для машинного обучения (arXiv)
Автор: Абид Хан , Чиа-Хао Ли , Пиншан Ю. Хуан , Брайан К. Кларк .
Аннотация: Рост автоматизации и машинного обучения (МО) в электронной микроскопии может произвести революцию в исследованиях материалов, позволяя осуществлять автономный сбор и обработку огромных объемов данных с атомарным разрешением. Однако серьезной проблемой является разработка моделей машинного обучения, которые..
Введение в НЛП и его важность в современном технологическом ландшафте
Обработка естественного языка (NLP) — это ветвь искусственного интеллекта (ИИ), которая занимается взаимодействием между компьютерами и человеческим языком. Целью НЛП является разработка алгоритмов и моделей, которые могут понимать, интерпретировать и генерировать человеческий язык. NLP имеет широкий спектр приложений, от языкового перевода до анализа настроений, и имеет решающее значение в современном технологическом ландшафте.
Одной из наиболее заметных областей, где НЛП оказало..
«Тренируйте большие, а затем сжимайте» - BAIR Калифорнийского университета в Беркли совершенствует обучение модели больших трансформаторов и ...
В текущем состоянии глубокого обучения методы, которые можно использовать для повышения точности модели, в основном сводятся к увеличению размера модели, размера набора данных или количества шагов обучения. Однако эти методы требуют больших и очень дорогих вычислительных ресурсов. Оптимизация вычислительной эффективности стала ключевой целью исследователей, когда вычислительные ресурсы ограничены. Как добиться более высокой точности при ограниченном аппаратном обеспечении и времени..
Что ИИ еще не может сделать #002
Как видно из первой части темы Чего еще не может сделать ИИ , ИИ по-прежнему имеет много ограничений, несмотря на множество преимуществ, которые он приносит при развертывании в нескольких реальных случаях. Кроме того, текущим развертываниям ИИ не хватало этических оценок, и это привело к падению доверия людей к различным продуктам ИИ. В первой статье по этой теме я заявил, что для того, чтобы доверие людей к ИИ росло и положительно влияло на развитие ИИ, энтузиасты и эксперты должны..
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..