Публикации по теме 'deep-learning'
Последние обновления гетерогенных графиков, часть 5 (машинное обучение)
Моделирование динамического гетерогенного графа и важности узлов для прогнозирования цитирования в будущем (arXiv)
Автор: Хао Гэн , Дэцин Ван , Фучжэнь Чжуан , Сюэхуа Мин , Чэнгуан Ду , Тин Цзян , Хаолун Го , Жуй Лю .
Аннотация: Точный прогноз количества цитирований недавно опубликованных статей может помочь редакторам и читателям быстро определить влиятельные статьи в будущем. Хотя для прогнозирования будущей цитируемости статьи предлагается множество подходов, большинство из..
🧠Искусственный интеллект: пример (Задание-5)
🧠Искусственный интеллект: тематическое исследование
В этой статье описывается новая Эра интеллекта в жизненном цикле ТНК , вызванная ИСКУССТВЕННЫМ ИНТЕЛЛЕКТОМ👾🧠
🔲Мир без ИИ 🔲
Для тех, кто уже работает с технологией ИИ или с ней, просто воображаемый взгляд на их жизнь без ИИ вызывает оцепенение..!! 🥶
Часы ручного труда, выполнение одной и той же ужасной, повторяющейся задачи изо дня в день в течение многих лет и каждую минуту, испытывая скуку, умственную и физическую..
Демистификация математических концепций для глубокого обучения
Изучите основные математические понятия для науки о данных и глубокого обучения, такие как скаляр и вектор, детерминант, разложение по сингулярным числам и многое другое.
Наука о данных — это междисциплинарная область, которая использует математику и расширенную статистику для прогнозирования. Все алгоритмы обработки данных прямо или косвенно используют математические концепции. Глубокое понимание математики поможет вам разработать инновационные решения для обработки данных, такие как..
Практические советы по улучшению результатов квантования
Квантование может сделать ваши модели глубокого обучения меньше, быстрее и более энергоэффективными ( Я уже писал об этом ранее ).
Но этот процесс может привести к большой потере точности или не может улучшить скорость прогнозирования, если будет выполнен неправильно. Итак, я делюсь некоторыми практическими советами, как минимизировать потерю точности при сохранении хорошей скорости вывода. Эти пункты действительны как для квантования после обучения , так и для обучения с учетом..
Как работают модели на основе энергии, часть 3 (машинное обучение)
Обнаружение вне распределения с помощью моделей на основе энергии (arXiv)
Автор : Свен Эльфлейн
Аннотация :: Сегодня глубокое обучение все чаще применяется в ситуациях, критических с точки зрения безопасности, таких как автономное вождение и медицинская диагностика. Несмотря на успех, поведение и надежность глубоких сетей еще не полностью изучены, что создает значительный риск. В частности, исследователи недавно обнаружили, что нейронные сети слишком уверены в своих прогнозах даже..
Как сделать ваш классификатор безопасным?
Рассказ об оценке точности классификаторов машинного обучения / глубокого обучения на основе статистических показателей расстояния (SafeML и SafeDL) - Часть I.
Оглавление
Введение Идея SafeML Статистические расстояния Заключение Ссылки Связанные проекты GitHub Похожие сообщения в Medium
1. Введение
В настоящее время искусственный интеллект (ИИ) быстро растет, и его приложения доминируют во многих различных областях. Параллельно с этим быстрым ростом растет и..
Amazon SageMaker: мощная платформа для машинного обучения
Машинное обучение (МО) — это процесс создания систем, способных учиться на данных и делать на их основе прогнозы или решения. ML имеет множество приложений в различных областях, таких как здравоохранение, электронная коммерция, финансы, развлечения и многое другое. Однако создание и развертывание моделей машинного обучения может быть сложным и занимать много времени, требуя опыта в обработке данных, выборе алгоритма, модели…
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..