Публикации по теме 'deep-learning'
2017 — Книга 21 — «Мыслящие машины»
В поисках искусственного интеллекта и куда он нас приведет
Люк Дормель
Интересная книга, в которой рассказывается об истории, текущем состоянии и будущих направлениях искусственного интеллекта.
Некоторые важные выводы:
подход к ИИ в 70-х и 80-х годах теперь известен как «символический ИИ», при котором экспертные системы обучались, предоставляя как можно больше правил и заставляя системы делать выводы из известных правил. этот подход был заменен подходом «глубокого обучения» к ИИ, в..
Узнайте об экосистеме Edge AI
Обзор различных сред глубокого обучения, аппаратных процессоров и плат для разработки
Успешное внедрение Edge AI требует понимания и интеграции различных элементов таким образом, чтобы этот стек можно было беспрепятственно развернуть в целевой среде. Внедрение приложения Edge AI требует понимания таких аспектов, как выполняемые задачи, оборудование, платформы и модели.
Чтобы глубокие нейронные сети работали на периферии; оборудование, фреймворки и инструменты должны работать..
На 100% более быстрая среда обучения с подкреплением с Cygym
Более быстрая замена для тренажерного зала с помощью cygym
Любой, кто хоть немного занимается обучением с подкреплением, скорее всего, скажет вам, что он использовал пакет OpenAI’s Gym (ссылка ниже), и не зря! Это простой в использовании, расширяемый и хорошо поддерживаемый пакет, который снижает значительную часть накладных расходов при настройке проекта RL.
Однако при выполнении крупномасштабного проекта с минимальными ресурсами важно, чтобы каждая капля производительности была..
Понимание концепции маркировки эффективного обучения
Эффективная самостоятельная проверка говорящего с помощью меток с максимизацией информации и контрастным обучением ( arXiv )
Автор: Тео Лепаж , Реда Дехак
Аннотация . Современные системы проверки говорящих по своей сути зависят от человеческого контроля, поскольку они обучаются на огромных объемах размеченных данных. Однако аннотирование высказываний вручную является медленным, дорогим и не масштабируемым до объема данных, доступных сегодня. В этом исследовании мы изучаем..
Этот умный ИИ скрывал данные от своего создателя, чтобы обманывать поставленную задачу.
Вы знаете о Законе непредвиденных последствий?
В общих чертах это сводится к следующему:
Любое действие, связанное со сложной системой, обязательно приведет к непредвиденным последствиям.
Это особенно актуально в области машинного обучения, где мы работаем с очень сложным программным обеспечением. Системы машинного обучения почти всегда имеют непредвиденные побочные эффекты.
Вот прекрасный пример.
Рассмотрим сеть глубокой сверточной обратной графики или DCIGN.
Это выглядит так:..
Получение лучшей модели с использованием Python API для MLflow
Это пятая статья в моей серии руководств по MLflow:
Настроить MLflow в производстве MLflow: Основные функции ведения журнала Ведение журнала MLflow для TensorFlow Проекты MLflow Получение лучшей модели с помощью Python API для MLflow (вы здесь!) Обслуживание модели с помощью MLflow
В этом руководстве показано, как получить ранее зарегистрированную модель из выполнения MLflow.
Предположим, вы выполнили несколько испытаний следующего примера с разными параметрами:..
Классификация изображений с ранней остановкой — Краткое руководство
Создайте и обучите модель Keras, написав менее 50 строк кода.
Keras — это библиотека глубокого обучения, с которой мы, специалисты по данным, можем часто сталкиваться. Это самая простая в реализации и самая простая в освоении среда глубокого обучения, и если этого недостаточно, вишенкой на торте является то, что после эволюции Tensorflow 2.0 стало еще проще учиться и строить с помощью Keras, поскольку он поставляется в комплекте с Tensorflow.
В этой статье описывается проект,..
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..