Публикации по теме 'deep-learning'
Раскрытие возможностей унифицированной многообразной аппроксимации и проекции для уменьшения размерности
Равномерное многомерное приближение и проецирование (UMAP) — это мощный метод машинного обучения, который позволяет сводить многомерные данные в низкоразмерное пространство, сохраняя при этом топологическую структуру данных. Это достигается за счет использования нечеткой топологической структуры, которая позволяет идентифицировать лежащее в основе многообразие данных и спроецировать это многообразие на пространство меньшей размерности.
Одним из ключевых преимуществ UMAP является его..
AutoML с AutoKeras
Нейронные сети для проектирования нейронных сетей
Расширяется применение глубокого обучения в реальных сценариях, однако для построения модели и настройки ее для повышения точности требуется эксперт. Различные этапы машинного обучения включают
Подготовка данных Функциональная инженерия Архитектурный поиск Настройка гиперпараметров Выбор модели
Основная задача специалиста по глубокому обучению - построить эффективную нейронную архитектуру с подходящими гиперпараметрами...
Шаг 4. Освоение предварительной обработки текста — 3
На этом этапе мы изучаем более продвинутые методы преобразования наших текстовых данных в числовые векторы, что делает их пригодными для алгоритмов. Эти методы в основном относятся к категории распределенных представлений.
Распределенные представления
Распределенные представления являются противоположностью локальных представлений. Это плотные векторы, которые обычно намного меньше размера словаря и разработаны таким образом, чтобы улавливать сходство между связанными словами...
Работа с транспортными многогранниками, часть 6 (машинное обучение)
Асимптотические оценки количества таблиц непредвиденных обстоятельств, целочисленных потоков и объемов транспортных многогранников (arXiv)
Автор : Александр Барвинок
Аннотация: Мы доказываем асимптотическую оценку числа mxn неотрицательных целочисленных матриц (таблиц сопряженности) с заданными суммами строк и столбцов и, в более общем случае, числа целочисленных допустимых потоков в сети. Аналогично оценивается объем многогранника mxn неотрицательных вещественных матриц с заданными..
Использование банаховых решеток в машинном обучении, часть 1
S-разложимые банаховы решетки, оптимальные пространства последовательностей и интерполяция (arXiv)
Автор : Сергей Васильевич Асташкин , Пер Г. Нильссон
Аннотация: Исследуется связь верхних/нижних оценок для банаховых решеток с понятием относительной s-разложимости, имеющим корни в теории интерполяции. Чтобы получить характеристику относительно s-разложимых банаховых решеток в терминах приведенных выше оценок, мы сопоставляем каждой банаховой решетке X два пространства..
Как планарные графы используются в машинном обучении, часть 7
Логарифмическая граница для одновременного встраивания планарных графов (arXiv)
Автор : Рафаэль Штайнер
Аннотация: Множество G плоских графов с одинаковым числом n вершин называется одновременно вложимым, если существует множество P из n точек на плоскости такое, что каждый граф GεG допускает (беспересекательное) прямолинейное вложение с вершины расположены в точках P. Коллекция конфликтов представляет собой набор плоских графов одного порядка без одновременного встраивания. Хорошо..
Как работает алгоритм байесовского дерева аддитивной регрессии (BART), часть 3
О теории BART (arXiv)
Автор : Вероника Рокова , Энакши Саха
Вывод: обучение в ансамбле — это статистическая парадигма, основанная на предположении, что многие слабые учащиеся могут работать исключительно хорошо при коллективном развертывании. Метод BART Чипмана и соавт. (2010) является ярким примером байесовского ансамблевого обучения, где каждый ученик представляет собой дерево. Благодаря своим впечатляющим характеристикам BART привлек большое внимание практиков. Однако,..
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..