Публикации по теме 'deep-learning'
Начните работу с Python Pandas за 5 минут
Учебное руководство по библиотеке Python Pandas
Те из вас, кто только начинает работать с машинным обучением, как и я, наверняка столкнулись бы с Pandas, библиотекой аналитики данных . В спешке разобраться в уловках ML мы часто не замечаем важности этой библиотеки. Но вскоре вы столкнетесь с препятствием, когда вам нужно будет поиграть со своими данными, очистить и выполнить преобразование данных, прежде чем вводить их в свою модель машинного обучения.
Зачем нам этот блог, когда..
DeepPass — «Поиск паролей с помощью глубокого обучения»
Одной из рутинных задач, с которыми операторы регулярно сталкиваются в большинстве случаев, является интеллектуальный анализ данных. Хотя точно то, что ищут операторы, зависит от среды, существует одна общая цель, которая всегда интересует всех: пароли .
После погружения в машинное обучение с состязательной точки зрения я начал обращать внимание на любые наступательные проблемы безопасности, которые можно было бы усилить с помощью ML. В одном из моих предыдущих постов я упомянул..
Почему Dropout так эффективен в глубокой нейронной сети?
Наука о данных, глубокое обучение
Почему Dropout так эффективен в глубокой нейронной сети
Dropout - это простой способ уменьшить зависимости в глубокой нейронной сети.
В этой статье вы можете изучить Dropout, каковы плюсы и минусы регуляризации по сравнению с отсевом, как работает метод Dropout в глубоком обучении и каковы эффективные способы использования Dropout в глубоком обучении и как реализовать отсев в глубокая нейронная сеть?
Что означает отказ от глубокого обучения?..
Получите 10-процентный прирост производительности модели машинного обучения
Пошаговое руководство по улучшению производительности вашей модели за пределами настройки гиперпараметров
Предположим, вы определили модель машинного обучения и соответствующие гиперпараметры, которые обеспечивают наилучшую производительность, но все же точность модели ниже базовой/ожидаемой точности. Это конец пути для вас или вы можете улучшить его дальше?
В этом блоге я проведу вас через трехэтапный процесс улучшения производительности вашей модели, помимо настройки гиперпараметров...
Я думаю, что Nu следует писать вместо Mu по формуле, которая дает нам Mu Prime.
Я думаю, что Nu следует писать вместо Mu в соответствии с формулой, которая дает нам Mu Prime. Следующее.
Как обновить параметр?
…
2. Тогда новое среднее, Mu prime, представляет собой взвешенную сумму старых средних. Mu взвешивается по r-квадрату, Nu (вместо Mu в статье) взвешивается по сигма-квадрату, нормализованному суммой весовых коэффициентов. Новый член дисперсии будет простым квадратом сигмы.
…
Значение расстояния Хеллингера, часть 2 (машинное обучение)
Надежная проверка гипотез и оценка распределения по расстоянию Хеллингера (arXiv)
Автор: Ананда Тиртха Суреш
Аннотация: мы предлагаем простой надежный тест гипотезы, который имеет ту же сложность выборки, что и оптимальный тест Неймана-Пирсона, с точностью до констант, но устойчив к возмущениям распределения на расстоянии Хеллингера. Мы обсуждаем применимость такого надежного теста для оценки распределений по расстоянию Хеллингера. Мы эмпирически демонстрируем силу теста на..
Что происходит с исследованиями Метавселенной, часть 4
Дипфейк в метавселенной: обзор перспектив (arXiv)
Автор: Хаоцзе Ву , Пань Хуэй , Пэнъюань Чжоу .
Аннотация: Мы предполагаем, что технологии дипфейков, которые синтезируют реалистичные поддельные изображения и видео, будут играть важную роль в метавселенной будущего. Улучшая погружение пользователей и опыт работы с синтезированными виртуальными персонажами и сценами, дипфейк может привести к серьезным последствиям, если он используется для мошенничества, выдачи себя за другое лицо и..
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..