WedX - журнал о программировании и компьютерных науках

Публикации по теме 'deep-learning'


Приложения RCNN часть 2 (машинное обучение)
iFS-RCNN: инкрементный сегментатор экземпляров с несколькими выстрелами (arXiv) Автор : Хой Нгуен , Синиса Тодорович Аннотация . В этом документе рассматривается инкрементная сегментация нескольких экземпляров, когда появляется несколько примеров новых классов объектов, когда доступ к обучающим примерам старых классов больше недоступен, и цель состоит в том, чтобы хорошо работать в обоих случаях. старые и новые классы. Мы делаем два вклада, расширяя общую структуру..

Как работает Spherical CNN, часть 2 (машинное обучение)
Сферические CNN на неструктурированных сетках (arXiv) Автор: Чию «Макс Цзян», Цзинвэй Хуан , Картик Кашинатх , Прабхат , Филип Маркус , Маттиас Нисснер . Аннотация: Мы представляем эффективное ядро ​​свертки для сверточных нейронных сетей (CNN) на неструктурированных сетках с использованием параметризованных дифференциальных операторов, фокусируясь на сферических сигналах, таких как панорамные изображения или планетарные сигналы. С этой целью мы заменяем обычные ядра свертки..

Создание собственного классификатора намерений
Как фанат НЛП, я всегда задавался вопросом, как Google Ассистент или Алекса понимают, когда я просил его что-то сделать. Вопрос продолжался, могу ли я заставить мою машину тоже меня понимать? Решением было - Классификация намерений. Классификация намерений - это часть Natural Language Understanding, где алгоритм машинного обучения / глубокого обучения учится классифицировать данную фразу на основе тех, на которых она была обучена. Возьмем забавный пример. Я делаю ассистента, как..

Вот как вы должны обучать интеллектуальную модель классификатора.
Обнаружение неизвестных меток: обнаружение данных вне домена, т. е. классификация изображений только для тех, для которых они обучены. Мотивация В моем предыдущем сообщении в блоге я обсуждал, как мы можем обучить классификатор изображений, обнаруживающий ввод вне домена, используя подход классификации с несколькими метками. В этом сообщении блога давайте обсудим, как обучить обычный многоклассовый классификатор, но сделать его более интеллектуальным, то есть дать ему возможность..

Как развивается область имитационного обучения, часть 3 (искусственный интеллект)
Итеративное извлечение информации на уровне документа с помощью имитационного обучения ( arXiv ) Автор: Юнмо Чен , Уильям Гант , Вэйвэй Гу , Тунфэй Чен , Аарон Стивен Уайт , Бенджамин Ван Дурме . Аннотация: мы представляем новую модель итеративного извлечения (IterX) для извлечения сложных отношений или шаблонов, то есть N-кортежей, представляющих сопоставление именованных слотов с фрагментами текста, содержащимися в документе. Документы могут поддерживать ноль или более..

Методы ИИ: «Великолепная семерка» — «Общая картина»
В своей первой статье я представил идею методов героев , которые составляют основу для построения путей к ИИ. Есть 7 методов - Учиться Оптимизировать Имитация Представлять Решать Справьтесь с неопределенностью Вычислить 6 (статистика) и 7 (информатика), очевидно, сами по себе являются целыми областями; нас интересуют только те аспекты, которые касаются 1–5, например, высокопроизводительные вычисления. Цель Hero Methods здесь — взаимодействовать с его миром. Машины понимают..

Работа с минимизацией сожалений в машинном обучении, часть 2
О гарантиях минимизации сожалений в «Отступающем горизонте» (arXiv) Автор: Андреа Мартин , Лука Фурьери , Флориан Дёрфлер , Джон Лигерос , Джанкарло Феррари-Трекате . Аннотация: Для объединения классического оптимального управления и онлайн-обучения минимизация сожалений недавно была предложена в качестве критерия проектирования управления. Эта конкурентная парадигма наказывает потери по сравнению с оптимальными управляющими действиями, выбранными политикой ясновидения, 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..


Для любых предложений по сайту: [email protected]