Публикации по теме 'deep-learning'
ICLR 2019: Преодоление ограниченных данных
Резюме статей, посвященных обучению на нескольких примерах
На прошлой неделе (06.05.19) началась Международная конференция по обучающимся представительствам (ICLR). Поэтому я подумал, что углублюсь в некоторые из статей ICLR, которые я нашел наиболее интересными. Большинство этих работ относятся к областям, представляющим для меня личный интерес (обучение без учителя, метаобучение, внимание, НЛП), но некоторые из них я выбрал просто из-за их высокого качества и влияния в соответствующих..
Работа с распределением Бернулли часть 1(Статистика)
Количественная теорема Хеппеса и многомерные распределения Бернулли (arXiv)
Автор: Рикардо Фрайман , Леонардо Морено , Томас Рэнсфорд .
Аннотация: Используя некоторые расширения теоремы Хеппеса о дискретных вероятностных мерах с конечным носителем, мы решаем задачи классификации и проверки на основе проекций. В частности, когда носитель распределений известен заранее (как, например, для многомерных распределений Бернулли), распределение определяет единственная соответствующим..
Глубокое обучение для анализа эмоций
В этом сообщении в блоге я представлю некоторые из изученных направлений и основные выводы из двух статей на тему глубокого обучения для анализа эмоций:
Чиоррини и др. (2021) — Анализ эмоций и настроений твитов с использованием BERT ( https://ceur-ws.org/Vol-2841/DARLI-AP_17.pdf ) Альхузали и Ананиаду (2021 г.) - SpanEmo: использование многоуровневой классификации эмоций как предсказание диапазона ( https://arxiv.org/abs/2101.10038 )
TL;DR
Чиоррини и др. используйте предварительно..
🦜🔗LangChain: повышение производительности за счет объема памяти
🦜🔗LangChain: повышение производительности за счет объема памяти
Повышение LangChain за счет методов расширения памяти
Я уже публиковал статьи о LangChain ранее, знакомя с библиотекой и всеми ее возможностями. Теперь я хотел бы сосредоточиться на ключевом аспекте, как управлять памятью в интеллектуальных чат-ботах.
Чат-ботам или агентам также нужен механизм хранения информации, который может принимать разные формы и выполнять разные функции. Внедрение системы запоминания в..
Являются ли потери Zillow ошибкой ИИ?
О режимах, оптимизации и компасе
В свои 20 лет я столкнулся с необычной возможностью для человека моего возраста. Вот он, подробный план на следующие два года, как я намеревался управлять огромной суммой чужих денег и в процессе строить несколько красивых зданий. Все укладывается в бюджет и сроки, которые я сам оценил. Все выглядело великолепно. Я чувствовал себя дирижером филармонического оркестра перед хорошо подготовленным концертом.
Возможность была необычной, так как этот..
Различия между искусственным интеллектом (ИИ), машинным обучением (МО) и глубоким обучением (ГО)
Вы когда-нибудь задумывались, почему эти три термина: искусственный интеллект , машинное обучение и глубокое обучение часто используются как синонимы? Не волнуйтесь, очевидно, что это сбивает с толку всех, кто плохо знаком с этой областью.
В этом посте я попытался кратко различать эти термины.
Как вы можете видеть на диаграмме выше, глубокое обучение относится к машинному обучению, а машинное обучение — к искусственному интеллекту. ИИ — это широкий термин с различными..
Исследовательские работы для чтения на основе роботизированных манипуляций, часть 2 (искусственный интеллект)
GA-DRL: оптимизатор функций на основе генетического алгоритма в глубоком обучении с подкреплением для задач роботизированного манипулирования ( arXiv )
Автор: Адарш Сегал , Николас Уорд , Хунг Мань Ла , Христос Папахристос , Сушил Луи .
Вывод: обучение с подкреплением (RL) позволяет агентам принимать решения на основе функции вознаграждения. Однако в процессе обучения выбор значений параметров алгоритма обучения может существенно повлиять на общий процесс обучения. В..
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..