Публикации по теме 'deep-learning'
Понимание автоматизированного мышления, часть 1 (ИИ)
Автоматические рассуждения в Temporal DL-Lite( arXiv )
Автор: Сабиха Тахрат , Герман Браун , Алессандро Артале , Марко Гарио , Ана Одзаки
Аннотация . В этом документе исследуется возможность автоматизированного анализа временных баз знаний (KB) DL-Lite (TDL-Lite). Мы тестируем использование готовых рассуждений LTL для проверки выполнимости баз знаний TDL-Lite. В частности, мы проверяем надежность и масштабируемость алгоритмов рассуждений при работе с TDL-Lite TBox в паре..
Обзор статьи 8: Методы анализа настроений на основе лексикона
В этом посте кратко изложена статья «Методы анализа настроений на основе лексики».
Ссылка на статью: https://www.mitpressjournals.org/doi/abs/10.1162/COLI_a_00049
Майте Табоада, Джулиан Брук, Милан Тофилоски, Кимберли Фолл, Манфред Стеде, 2011 г., «Методы анализа настроений на основе лексикона», в журнале «Вычислительная лингвистика», том 37, выпуск 2, стр. 267–307.
В этой статье анализ тональности и расчет семантической ориентации выполняются с помощью методов, основанных на..
Интервью с экспертами по машинному обучению — Часть 10
Интервью с первоклассным машинным обучением — часть 10
Метрики оценки производительности моделей классификации
В машинном обучении метрики оценки производительности модели используются для измерения качества модели при решении данной проблемы. Эти показатели можно использовать как для оценки производительности модели в процессе обучения, так и для оценки производительности модели на тестовых данных.
Работа с концепцией полупространств в машинном обучении, часть 4.
Почти оптимальная криптографическая стойкость агностически обучающихся полупространств и регрессия ReLU при гауссовских маргиналах (arXiv)
Автор: Илиас Диаконилас , Дэниел М. Кейн , Лишэн Жэнь
Аннотация: Мы изучаем задачу независимого изучения полупространств при гауссовском распределении. В частности, при наличии помеченных примеров (x,y) из неизвестного распределения на Rn×{±1}, маргинальное распределение которого по x является стандартным гауссовым, а метки y могут быть..
Белая книга — «Глубокое обучение и сельское хозяйство»
Глубокое обучение в точном земледелии:
Случай сиамской сети в классификации растений
Аннотация
Глубокое обучение — это дисциплина искусственного интеллекта, которая решает сложные задачи обучения, вдохновленные известными или неизвестными данными, структурированными данными или абстрактными данными. Сравнительные методы глубокого обучения в этом случае обучения с небольшим количеством выстрелов все чаще используются в сельскохозяйственном секторе. В этом техническом документе..
Классификатор заголовков новостей
Здесь нам дан набор данных, содержащий газетные заголовки и их категорию. Здесь существует 4 категории, а именно: бизнес, образование, медицина и технологии.
Здесь вы увидите, что я использовал модуль Pickle для сохранения обученной модели для последующего использования, а также векторизатор подсчета.
import pickle
import pandas as pd
dataset = pd.read_csv(“uci-news-aggregator.csv”)
import re
import nltk
from nltk.corpus import stopwords
from nltk.stem.porter import PorterStemmer..
Новые разработки в области выпуклой оптимизации, часть 2 (машинное обучение)
Анализ скорости сходимости рандомизированного и циклического спуска в координатах для выпуклой оптимизации посредством полуопределенного программирования (arXiv)
Автор: Хади Аббасзадехпеивасти , Этьен де Клерк , Муслим Замани
Аннотация: в этой статье мы изучаем рандомизированный и циклический спуск по координатам для выпуклых задач оптимизации без ограничений. Мы улучшаем известные скорости сходимости в некоторых случаях, используя численный метод оценки производительности..
Новые материалы
Я хотел выучить язык программирования MVC4, но не мог выучить его раньше, потому что это выглядит сложно…
Просто начните и учитесь самостоятельно
Я хотел выучить язык программирования MVC4, но не мог выучить его раньше, потому что он кажется мне сложным, и я бросил его. Это в основном инструмент..
Лицензии с открытым исходным кодом: руководство для разработчиков и создателей
В динамичном мире разработки программного обеспечения открытый исходный код стал мощной парадигмой, способствующей сотрудничеству, инновациям и прогрессу, движимому сообществом. В основе..
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..