Публикации по теме 'deep-learning'
ИИ для кода: набор данных IBM CodeNet позволяет ИИ решать задачи программирования
Программное обеспечение пожирает мир. Программное обеспечение теперь пронизывает каждую часть нашего существования; Сервисы Google вместе содержат более 2 миллиардов строк кода, а современный автомобиль содержит около 100 миллионов строк кода. Создание, отладка, обслуживание и обновление этих сложных программных систем — монументальная задача.
Быстро развивающаяся дисциплина, известная как AI for Code, призвана помочь разработчикам программного обеспечения повысить свою..
Разница между машинным обучением, глубоким обучением, наукой о данных и искусственным интеллектом (ИИ)
Разница между машинным обучением, глубоким обучением, наукой о данных и искусственным интеллектом (ИИ)
Представьте себе беспилотный автомобиль , который подбирает пассажиров на оживленной улице, где они могут перемещаться из одного места в другое. Или модель машинного обучения , способная предсказывать шансы человека заболеть раком с минимальной помощью врача. Или чат-боты , способные общаться с покупателями по поводу онлайн-покупок. Или модели, способные дать оценку сложности..
Умный способ сериализации / десериализации классов в / из графа Tensorflow
Умный способ сериализации / десериализации классов в / из графа Tensorflow
Автоматически привязывать свои поля к графику тензорного потока и обратно
Было бы здорово автоматически привязать поля класса к переменным тензорного потока в графе и восстанавливать их, не возвращая вручную каждую переменную?
Код для этой статьи можно найти здесь , версию для ноутбука jupyter можно найти здесь
Изображение у вас Model класс
Обычно вы сначала строите свою модель, а затем..
Серебряная медаль для лечения прогрессирования легочного фиброза OSIC
Введение:
Прежде всего, хочу поблагодарить kaggle и OSIC за проведение этого конкурса. Также хочу поблагодарить своих товарищей по команде Джагадиш и Шубхам . В этом соревновании нас попросили спрогнозировать степень тяжести снижения функции легких у пациента на основе компьютерной томографии легких и данных спирометра, который измеряет объем вдыхаемого и выдыхаемого воздуха, а также данные таблицы были предоставлены в качестве входных данных для конкурентов, которые включали..
Работа с изменяющимися во времени сетями, часть 4 (машинное обучение)
Обучение поиску пространственно-временных атак (COA) для масштабируемых и изменяющихся во времени сетей (arXiv)
Автор : : Хэмин Ли , Сок Бин Сон , Вон Чжун Юн , Джунхон Ким , Сой Чжон , Дон Хва Ким .
Аннотация: Одной из ключевых тем в исследованиях сетевой безопасности является автономный метод поиска атак COA (Couse-of-Action). Традиционные методы поиска атак COA, которые пассивно ищут атаки, могут быть трудными, особенно по мере роста сети. Для решения этих проблем..
Нейронная сеть для сентиментального анализа [Часть -1: Извлечение признаков]
Используйте мой Блокнот Google Colab для интерактивного обучения!
Что такое сентиментальный анализ?
Каждый день, что бы мы ни делали, всегда связано с нашими эмоциями. В каждом состоянии у всех нас есть определенное отношение к событию. Способ представления таких эмоций может быть разным, но наша реакция всегда рассказывает какую-то историю.
Применение аналитической методологии для определения мнения человека и его классификации по конкретным эмоциям (положительные,..
Глубокое обучение через призму сложности примера — Резюме статьи
Ссылка : https://openreview.net/forum?id=fmgYOUahK9 Авторы : Роберт Джон Николас Болдок, Хартмут Меннел, Бехнам Нейшабур Теги : Глубокое обучение, Пример сложности, Сложность набора данных, Учебная программа Код : — Видео: https ://papertalk.org/papertalks/37152 Разное. информация : Принято участие в NeurIPS’21
Что?
В данной работе авторы пытаются разобраться в «сложных» примерах в обучении. Сложность здесь означает, на примере, какая мощность модели нужна, чтобы..
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..