Публикации по теме 'deep-learning'
Изучение различий: Python для машинного обучения против искусственного интеллекта с Python против…
Python для машинного обучения, искусственный интеллект с Python и глубокое обучение с Python — все это связанные, но разные темы в области науки о данных и искусственного интеллекта.
Python для машинного обучения предполагает использование языка программирования Python для создания моделей машинного обучения, которые могут обучаться и делать прогнозы или классификации на основе данных. Это включает в себя анализ данных, распознавание закономерностей и принятие решений с..
Методы адаптивных параметров для машинного обучения
Давайте рассмотрим некоторые методы адаптации ваших параметров с течением времени.
В этом посте я расскажу об идеях, лежащих в основе методов адаптивных параметров для машинного обучения, а также о том, почему и когда их реализовывать, в качестве некоторых практических примеров с использованием Python.
1. Введение
Адаптивные методы (также известные как планирование параметров) относятся к стратегиям обновления некоторых параметров модели во время обучения с использованием..
Путешествие мастеров с IIIT-B и LJMU
Введение
В современной технологической отрасли крайне важно постоянно повышать квалификацию и учиться всю жизнь. Недавняя пандемия еще больше обострила эту потребность в совершенствовании своих навыков и изучении новых. Это также привело к появлению формата онлайн-обучения, который раньше не очень активно использовался.
Недавно я получил степень магистра наук о данных в Ливерпульском университете Джона Мура. Мастера определенно повышают доверие, открывают больше возможностей для..
Что остановит импульс ИИ?
Вопрос не в том, если, а когда
Если вам понравилась эта статья, ознакомьтесь с другой статьей Робби: Чем искусственный интеллект отличается от предыдущих технологических волн
В более ранней статье я писал о том, чем искусственный интеллект отличается от предыдущих технологических волн с точки зрения его инновационного потенциала. Он основан на том, что я называю полностью распределенной инновационной моделью , которая является уникальной среди основных технологических..
Лучшее исследование субмодульной максимизации, часть 2 (оптимизация машинного обучения)
Надежная сетевая субмодульная максимизация последовательностей (arXiv)
Автор: Цихао Ши , Бинъян Фу , Цань Ван , Цзявэй Чен , Шэн Чжоу , Янь Фэн , Чунь Чен .
Аннотация: В этой статье мы изучаем \underline{R}obust\underline{o}оптимизацию для \underline{se}quence \underline{Net}worked\underline{s}субмодулярной задачи максимизации (RoseNets). Мы переплетаем робастную оптимизацию с последовательной сетевой субмодульной максимизацией. Элементы связаны ориентированным ациклическим..
Анализ настроений с использованием Python и глубокого обучения в 3 строках кода
Научитесь выполнять анализ настроений с помощью библиотеки transformers от Hugging Face всего за 3 строчки кода с помощью Python и глубокого обучения.
Анализ настроений - это процесс определения того, является ли текст положительным, отрицательным или нейтральным. Такой анализ очень полезен при попытке извлечь полезную информацию из обзоров продуктов или услуг, отзывов клиентов и многого другого.
Во-первых, давайте установим transformers библиотеку для анализа настроений,..
Как выполнить мультиклассовую классификацию по нескольким ярлыкам для категорий новостей
В моем предыдущем посте показано, как выбирать функции активации и потери последнего слоя для разных задач. В этом посте мы сосредоточимся на многоклассовой классификации с несколькими метками.
Обзор задачи
Мы будем использовать новостной массив Reuters-21578 . Наша задача для данной новости - присвоить ей один или несколько тегов. Набор данных разделен на пять основных категорий:
Темы Места Люди Организации Биржи
Например, одна данная новость может иметь эти 3 тега,..
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..