Публикации по теме 'deep-learning'
Введение в компьютерное зрение
Основная идея компьютерного зрения такова: что, если компьютеры могут «видеть» и интерпретировать окружающий их мир, или просто вы можете сказать, что у компьютеров есть глаза, они могут видеть и различать объекты, как это делает человек.
Оглавление
1.Что такое компьютерное зрение?
2.Как работает компьютерное зрение?
3. Различение компьютерного зрения со смежными областями.
4.Где мы можем применить технологию компьютерного зрения?
5. Три проекта Computer Vision для начинающих...
Основные понятия тензоров
Основные понятия тензоров
Глубокое обучение
Предисловие
Базовая структура данных всех современных систем машинного обучения использует тензоры , что свидетельствует о ее важности для области глубокого обучения. Давайте представим это подробно.
Подобно спискам и кортежам, тензоры являются контейнерами данных, но почти все они представляют собой числовые данные. Его можно разделить на тензоры различной структуры в соответствии с разными размерностями . Проиллюстрируем это...
Инновационные приложения нейронного машинного перевода, часть 3 (машинное обучение)
Полууправляемый нейронный машинный перевод с регуляризацией согласованности для языков с низким уровнем ресурсов (arXiv)
Автор: Вьет Х. Фам , Тханг М. Фам , Джианг Нгуен , Лонг Нгуен , Дьен Динь .
Аннотация: Появление глубокого обучения привело к значительному прогрессу в машинном переводе. Однако для большинства исследований требовался большой параллельный набор данных, который является дефицитным и дорогостоящим для создания и даже недоступен для некоторых языков. В этой статье..
Ежедневный совет по анализу данных - № 7
Ежедневный совет по анализу данных - № 7
Краткое введение в переоснащение машинного обучения и нейронных сетей.
Переобучение происходит, когда обученная модель обобщает обучающие данные и не может точно предсказать невидимые данные. Это происходит потому, что модель слишком внимательно изучила особенности обучающих данных, включая шум.
Переобучение также может произойти, если обучающие данные не точно представляют распределение тестовых данных.
Переобучение можно исправить,..
Исследовательские работы по сетям Кохонена (искусственный интеллект)
Карты Кохонена, расслабляющие победителя и усиливающие победителя: максимальная взаимная информация от усиления победителя ( arXiv )
Автор: Йенс Кристиан Клауссен
Аннотация: поведение увеличения обобщенного семейства самоорганизующихся карт признаков, алгоритмов Winner Relaxing и Winner Enhancing Kohonen анализируется с помощью закона увеличения в одномерном случае, который может быть получен аналитически. Случай Winner-Enhancing позволяет достичь степени увеличения, равной..
ByteTrack : модель отслеживания, в которой также учитываются ограничивающие рамки с низкой точностью.
Это введение в「ByteTrack」, модель машинного обучения, которую можно использовать с ailia SDK . Вы можете легко использовать эту модель для создания приложений ИИ с помощью ailia SDK , а также многих других готовых к использованию AIlia MODELS .
Обзор
ByteTrack — это модель отслеживания объектов, опубликованная в октябре 2021 года. Применяя ByteTrack к ограничивающей рамке людей, обнаруженных YOLOX , вы можете назначить уникальный идентификатор каждому человеку. ByteTrack в..
Номер службы поддержки клиентов Anwitas Myshopify Com {×91}{×91}9556281611√ Бесплатный звонок (×91)9556281611 Позвоните…
Номер службы поддержки клиентов Anwitas Myshopify Com {×91}{×91}9556281611√ Бесплатный звонок (×91)9556281611 Звоните круглосуточно, 7 дней в неделю Служба поддержки Любые вопросы Возврат средств Все проблемы Решение
Новые материалы
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..
Учебные заметки: создание моего первого пакета Node.js
Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm.
Оглавление
Глоссарий
I. Новый пакет
1.1 советы по инициализации..
Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных.
Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..
ИИ в аэрокосмической отрасли
Каждый полет – это шаг вперед к великой мечте. Чтобы это происходило в их собственном темпе, необходима команда астронавтов для погони за космосом и команда технического обслуживания..