Публикации по теме 'deep-learning'
НЛП — Часть 2 — Предварительная обработка
В первой части я упомянул теорию языка, подходы и трудности задач НЛП с использованием эвристики, машинного обучения или глубокого обучения.
Сегодня мы сделаем шаг вперед и узнаем немного больше о том, «как это сделать».
Предварительная обработка.
Представьте, что у вас есть набор данных, полный текста. Это просто плагин для машинного обучения и вуаля! Полученные результаты! Не так быстро, сначала нужно сделать на нем несколько шагов. вам может не понадобиться выполнять все..
Посадка ракеты с помощью простого обучения с подкреплением
Посадка ракеты с помощью простого обучения с подкреплением
Что я узнаю?
В этой статье мы собираемся создать простой агент обучения с подкреплением (RL), который сможет успешно приземлить ракету в видеоигре Lunar Lander. RL - обширная тема, и я не собираюсь здесь подробно останавливаться на достигнутом. Вместо этого цель этого проекта - запачкать руки практическим обучением с подкреплением и прочувствовать его. Более подробные статьи по различным темам будут опубликованы в будущем...
Новые тенденции в продуктах ИИ: формирование будущего технологий
Новые тенденции в продуктах ИИ: формирование будущего технологий
Название: Новые тенденции в продуктах ИИ: формирование будущего технологий
Введение:
Искусственный интеллект (ИИ) быстро стал преобразующей силой во многих отраслях, коренным образом изменив то, как мы живем, работаем и взаимодействуем с технологиями. По мере того, как ИИ продолжает развиваться и совершенствоваться, появилось множество продуктов на базе ИИ, удовлетворяющих различные потребности и революционизирующих..
Изучение интерпретируемости и объяснимости моделей глубокого обучения
Введение
Объяснение глубокого обучения и его недавних успехов в различных областях
Глубокое обучение — это тип машинного обучения, в котором используются искусственные нейронные сети для моделирования и решения сложных задач. Эти нейронные сети вдохновлены тем, как работает человеческий мозг, и состоят из слоев взаимосвязанных узлов или «нейронов». Каждый нейрон получает входные данные от других нейронов, выполняет вычисления на этих входных данных, а затем отправляет результат другим..
Последние обновления о моделях гауссовой смеси 2023, часть 2
Модель гауссовой смеси с учетом неопределенности для локализации разницы во времени СШП в загроможденных средах (arXiv)
Автор: Вэнда Чжао , Абхишек Гудар , Минлян Тан , Синьюань Цяо , Анжела П. Шёллиг .
Аннотация: Сверхширокополосная (UWB) локализация на основе разницы во времени прибытия (TDOA) стала недорогим и масштабируемым решением для позиционирования внутри помещений. Однако в загроможденной среде эффективность локализации на основе UWB TDOA ухудшается из-за смещенного и..
Битва за оптимизацию гиперпараметров
Поиск по сетке против случайного поиска, какой из них для моделей глубокого обучения?
Иногда мне хочется, чтобы создание модели глубокого обучения было таким же простым, как для Майка Тайсона, чтобы выиграть боксерский поединок — один удар, и все кончено. Правда в том, что я часто задаю себе слишком много вопросов, когда начинаю оптимизировать свои модели: сколько слоев я должен включить? Сколько единиц или фильтров подходит для каждого слоя? Какую функцию активации следует..
Кодирование категориальных данных — правильный путь
Table of Contents
· Types of Data
∘ Continuous Data
∘ Discrete Data
∘ Nominal Data
∘ Ordinal Data
· How to Encode Categorical data?
∘ Ordinal Encoding
∘ Nominal Encoding
∘ OneHotEncoding using Pandas
∘ Dummy Variable Trap
∘ OneHotEncoding using Sklearn
Типы данных
В статистике и машинном обучении мы классифицируем данные по одному из двух типов, а именно — Числовые и Категорические .
Числовые данные делятся на дискретные и..
Новые материалы
Как создать диаграмму градиентной кисти с помощью D3.js
Резюме:
Из этого туториала Вы узнаете, как добавить градиентную кисть к диаграмме с областями в D3.js. Мы добавим градиент к значениям SVG и применим градиент в качестве заливки к диаграмме с..
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..