Публикации по теме 'deep-learning'
Работа с непрерывностью Липшица, часть 2 (машинное обучение)
Варианты SGD для липшицевых функций с непрерывными потерями в средах с низкой точностью (arXiv)
Автор : Майкл Р. Метел
Аннотация: В этой работе, основанной на обучении нейронной сети в низкобитовых средах с плавающей и фиксированной запятой, изучается сходимость вариантов SGD с вычислительной ошибкой. Рассматривая общую стохастическую непрерывную функцию потерь Липшица, представлен новый результат сходимости к стационарной точке Кларка, предполагающий, что можно вычислить только..
Новые методы с радиальными базисными функциями, часть 2 (машинное обучение)
Масштабирование функций радиального базиса (arXiv)
Автор: Элизабет Ларссон , Роберт Шабак .
Аннотация: В этой статье изучается влияние масштабирования на поведение интерполяции радиальной базисной функции. Он фокусируется на некоторых центральных аспектах, но не пытается быть исчерпывающим. Наиболее важные вопросы таковы: как ошибка интерполянта на основе ядра зависит от масштаба выбранного ядра? Как изменяется граница стандартной ошибки? А поскольку фиксированные функции могут..
Последние исследования состояний матричного продукта, часть 7 (машинное обучение)
Построение неэрмитова родительского гамильтониана из состояний матричного произведения (arXiv)
Автор: Руохан Шэнь , Ючэнь Го , Шо Ян .
Аннотация: вот различные стратегии исследования, используемые для неэрмитовых систем, которые обычно включают введение неэрмитовых терминов в ранее существовавшие эрмитовы гамильтонианы. Непосредственное проектирование неэрмитовых моделей многих тел, обладающих уникальными характеристиками, которых нет в эрмитовых системах, может оказаться сложной..
Работа с оценщиком максимального правдоподобия, часть 4 (искусственный интеллект)
Оценка квазимаксимального правдоподобия многомерных факторных моделей (arXiv)
Автор : Маттео Баригоцци
Аннотация: Мы рассматриваем оценку квазимаксимального правдоподобия факторных моделей для многомерных панелей временных рядов. Мы рассматриваем два случая: (1) оценка, когда не указана динамическая модель для факторов (Bai and Li, 2016); (2) оценка на основе алгоритма сглаживания Калмана и алгоритма максимизации ожидания, что позволяет явно моделировать динамику факторов (Doz et..
Справедливость? Этика? Почему разнообразные данные важны для вашего ИИ? Модели?
Введение
В этом руководстве мы обсудим важность наличия разнообразия в ваших наборах данных машинного обучения (ML) или искусственного интеллекта (AI). Мы все прекрасно понимаем, что для эффективного использования модели машинного обучения или искусственного интеллекта для решения конкретной задачи крайне важно иметь качественные обучающие данные для самой модели. Независимо от того, насколько эффективна или точна модель, если она снабжена набором данных низкого качества и обучена на нем,..
Основы глубокого обучения: ускоренный курс
Узнайте, что такое глубокое обучение и как алгоритмы глубокого обучения используются в реальных приложениях!
Методы машинного обучения (ML) и глубокого обучения (DL) применяются в самых разных областях, и специалисты по данным востребованы во многих отраслях.
С помощью машинного обучения мы определяем процессы, с помощью которых мы получаем знания, которые не всегда очевидны из данных, чтобы принимать решения. Применения методов машинного обучения могут сильно различаться, и их..
Как работает генерация диалогов, часть 3 (ИИ + НЛП)
GLM-Dialog: устойчивая к шуму предварительная подготовка для создания диалога, основанного на знаниях (arXiv)
Автор: Цзин Чжан , Сяокан Чжан , Даниэль Чжан-Ли , Джифан Юй , Цзыцзюнь Яо , Цзэяо Ма , Ици Сюй , Хаохуа Ван , Сяохань Чжан , Няньи Линь , Сунруи Лу , Цзюаньцзы Ли , Цзе Тан
Аннотация: Мы представляем GLM-Dialog, крупномасштабную языковую модель (LLM) с параметрами 10B, способную вести основанный на знаниях разговор на китайском языке с использованием поисковой..
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..