WedX - журнал о программировании и компьютерных науках

Публикации по теме 'deep-learning'


Используйте Chat-GPT в качестве личного помощника!
& Более! Теперь давайте углубимся в одну из самых горячих тем, связанных с искусственным интеллектом, в Chat GPT, и в то, как он может стать вашим новым лучшим другом. Например, я использовал AI, Open Source, чтобы написать часть контента для этой самой статьи! Это не только сэкономило мне время, но и улучшило правописание. РЖУ НЕ МОГУ. ;) В: Так что же такое Chat-gpt и как сделать его своим личным помощником? Что ж, ChatGPT — это большая языковая модель, разработанная OpenAI,..

Примечания к лекциям по глубокому обучению: сети с прямой связью   —  Часть 3
Конспект лекций FAU по глубокому обучению Сети прямого распространения — часть 3 Алгоритм обратного распространения Это конспект лекций FAU YouTube Lecture Deep Learning . Это полная стенограмма видео лекции и соответствующие слайды. Мы надеемся, вам понравится это так же, как видео. Конечно, эта стенограмма была создана с использованием методов глубокого обучения в основном автоматически, и вручную были внесены лишь незначительные изменения. Если вы заметили ошибки,..

Понимание функции torch.gather в Pytorch
Два аргумента этой функции, index и dim , являются ключом к пониманию функции. В случае 2D dim = 0 соответствует строкам, а dim = 1 соответствует столбцам. В случае 3D dim = 0 соответствует изображению из пакета, dim = 1 соответствует строкам, а dim = 2 соответствует столбцам. Случай двумерного входного тензора 1. Понимание аргумента dim: а. Когда dim = 0, мы выбираем строки. б. Когда dim = 1, мы выбираем столбцы. 2. Понимание аргумента индекса: а. Аргумент индекса..

«Visual SLAM: повышение производительности навигации»
TL;DR: TL;DR: Visual SLAM — это алгоритм, используемый в робототехнике для создания карт из неизвестных сред с использованием датчиков камеры. Он делится на три класса: Монокуляр, Стерео и RGB-D. Есть две основные части: Front-end и Back-end. Внешняя часть извлекает характерные точки, такие как края, углы и блоки, а внутренняя часть оптимизирует предполагаемую траекторию и другие части карты. ORB используется для извлечения надежных признаков. Сопоставление изображений используется..

Машинное обучение на графических данных
Как использовать графическую информацию в ваших моделях машинного обучения Введение Многие наборы данных из реального мира естественным образом могут быть оформлены в виде графиков. Например, на онлайн-платформах, таких как социальные сети, пользователи могут быть представлены в виде узлов, а подписчики или лайки могут быть представлены в виде ребер. Однако при построении моделей на основе данных из этих областей люди часто упрощают задачу, игнорируя базовую структуру графа. При..

Понимание глубокого обучения — генеративно-состязательные сети.
Эта серия предназначена для читателей, которые уже слышали обсуждаемые здесь идеи, но ищут более глубокого понимания.Машинное обучение быстро меняется.Сейчас я не могу представить практическую потребность в использовании svm .Модели нейронных сетей почти всегда могли заменить svm . Но до недавнего времени они были явно современными. Я хочу понять, что логическая эволюция идей важнее, чем алгоритмы или более причудливые архитектуры. Итак, приступим. GAN — это генеративные модели, которые..

Чит-коды для AI/ML
Искусственный интеллект (ИИ) и машинное обучение (МО) стали важными инструментами для принятия решений на основе данных в различных отраслях. Они используются при разработке интеллектуальных систем, прогнозировании результатов, выявлении закономерностей и автоматизации процессов. Поскольку ИИ и машинное обучение продолжают развиваться, возникает потребность в более эффективных способах построения и обучения моделей. Одним из таких способов является использование чит-кодов для AI/ML...

Новые материалы

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..

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..


Для любых предложений по сайту: wedx@cp9.ru