Публикации по теме 'deep-learning'
Работа с концепцией самоимитации обучения, часть 1 (машинное обучение)
Самоимитация обучения с помощью планирования (arXiv)
Автор: Ша Луо , Хамидреза Касаи , Ламберт Шомакер
Выдержка . Имитационное обучение (IL) позволяет роботам быстро приобретать навыки, передавая экспертные знания, которые широко используются в обучении с подкреплением (RL) для инициализации исследования. Однако в задачах долгосрочного планирования движения сложная проблема при развертывании методов IL и RL заключается в том, как генерировать и собирать массивные, широко..
Новое исследование методов плотного поиска, часть 3 (искусственный интеллект)
Расширение представлений проходов с помощью генерации запросов для расширенного межъязыкового плотного поиска (arXiv)
Автор: Шэнъяо Чжуан , Линьцзюнь Шоу , Гвидо Цуккон .
Аннотация: Эффективные межъязыковые методы плотного поиска, основанные на многоязычных предварительно обученных языковых моделях (PLM), должны быть обучены, чтобы охватить как задачу сопоставления релевантности, так и задачу согласования между языками. Тем не менее, межъязыковые данные для обучения часто..
Слияние искусства и искусственного интеллекта: изучение творческих алгоритмов и их влияние на визуальное искусство (1/3)
Слияние искусства и искусственного интеллекта: изучение творческих алгоритмов и их влияние на визуальное искусство (1/3)
Введение
Пересечение искусства и технологий всегда создавало благодатную почву для инноваций, объединяя человеческое творчество с передовыми инструментами. С появлением искусственного интеллекта (ИИ) развивалось сочетание творчества и технологий, прокладывая путь к живой и постоянно меняющейся категории в мире искусства.
В области изобразительного искусства..
Этот информационный бюллетень AI - все, что вам нужно # 54
Что произошло на этой неделе в AI by Louie
На этой неделе мы были рады прочитать, как Демис Хассабис обсуждает грядущую новую модель Gemini Large Language от Deepmind. Исторически сложилось так, что DeepMind в первую очередь посвящала свои усилия обучению с подкреплением (RL) и оставалась относительно спокойной в разработке больших языковых моделей (LLM). Тем не менее, DeepMind стоял за документом Chinchilla, который с тех пор стал эталоном для обучения LLM, а также представил Sparrow в..
Последние обновления в поиске нейронной архитектуры, часть 9 (машинное обучение)
DAS: поиск нейронной архитектуры с помощью отличительной оценки активации (arXiv)
Автор: Юцяо Лю , Хайпэн Ли , Яньань Сунь , Шуайчэн Лю .
Аннотация: Поиск нейронной архитектуры (NAS) — это автоматический метод, который может искать хорошо выполненные архитектуры для конкретной задачи. Хотя NAS превосходит спроектированную человеком архитектуру во многих областях, высокие вычислительные затраты на оценку архитектуры, которые она требует, сдерживают ее развитие. Возможным решением..
Работа с полиномиальной оптимизацией, часть 3 (машинное обучение)
Многоступенчатая полиномиальная оптимизация (arXiv)
Автор : Кемаль Роуз
Аннотация: Мы изучаем структурированные задачи оптимизации с полиномиальной целевой функцией и полиномиальными ограничениями-равенствами. Структура исходит из множественной градации на кольце многочленов по нескольким переменным. Для фиксированных мультистепеней определяется общее число комплексных критических точек. Это служит мерой алгебраической сложности задачи оптимизации. Мы также обсуждаем методы..
Понять потерю перекрестной энтропии за считанные минуты
Мы всегда хотели написать о потере кросс-энтропии. Это всего лишь естественное продолжение нашей популярной статьи об активации Softmax . Они лучшие друзья. Было так странно писать о Softmax без упоминания кросс-энтропии! Мы также прислушиваемся к нашим читателям в нашей статье Голосование за статью . Наша цель - написать как можно больше учебных пособий по ML, DL, обучению с подкреплением и науке о данных для начинающих. Следующий шаг - написать статьи о машинном обучении и написать..
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..