Публикации по теме 'machine-learning'
Делаем машинное обучение менее увлекательным: градиентный спуск
Машинное обучение в первую очередь связано с минимизацией ошибки модели или с максимально точными прогнозами.
Градиентный спуск - один из наиболее важных алгоритмов машинного обучения, который находит применение в линейной регрессии и нейронных сетях.
Градиентный спуск используется для уменьшения функции стоимости (или потерь). Он делает это путем итеративной настройки параметров (или коэффициентов) заданной функции, чтобы минимизировать ее до локальных минимумов.
Чтобы правильно..
Сравнение производительности двух регрессионных моделей с использованием разных показателей оценки.
Модель A имеет RMSE, равный 10, а модель B — MAE, равную 8. Какую модель вы бы выбрали как более эффективную и почему? Есть ли какие-либо ограничения в выборе показателя?
Итак, моему другу задали этот вопрос в интервью. Давайте углубимся в этот вопрос, чтобы ответить на него.
И RMSE (среднеквадратическая ошибка), и MAE (средняя абсолютная ошибка) являются популярными показателями для оценки эффективности регрессионных моделей, но они подчеркивают разные аспекты точности..
Intel Edge AI OpenVINO (Часть 2)
Это мои заметки из программы стипендий Intel® Edge AI Scholarship Foundation Nanodegree в Udacity.
Как и было обещано в моей предыдущей статье , я собираюсь написать об Intel OpenVINO Model Optimizer.
а. Основы оптимизатора модели
Оптимизатор моделей помогает преобразовывать модели в нескольких различных средах в промежуточное представление (IR), которое используется с механизмом вывода (IE). Это ОБЯЗАТЕЛЬНЫЙ шаг для перехода к IE, если модель не является одной из..
Как работает обнаружение существенных объектов, часть 3 (компьютерное зрение)
PSNet: параллельная симметричная сеть для обнаружения заметных объектов на видео (arXiv)
Автор: Рунмин Конг , Вэйю Сун , Цзяньцзюнь Лэй , Гуанхуэй Юэ , Яо Чжао , Сэм Квонг .
Аннотация . Для задачи обнаружения заметных объектов видео (VSOD) вопрос о том, как извлечь информацию из модальности внешнего вида и модальности движения, всегда вызывал серьезную озабоченность. Двухпоточная структура, включающая поток внешнего вида RGB и поток движения оптического потока, широко..
Горячее кодирование: подготовка геномной последовательности для машинного обучения
Позвольте мне заверить, что ChatGPT не пишет это руководство.
«Продолжая мой предыдущий пост об извлечении последовательностей промоторов генов человека из файла FASTA эталонного генома, вы удивитесь, как мы передаем последовательности ДНК в модель машинного обучения, поскольку последовательности ДНК представляют собой просто комбинацию оснований (A, T, G, C).
Как модели машинного обучения считывают последовательности ДНК (РНК или белка)?
Хотя ходят слухи о существовании 5-го..
Ведение журнала с весами и смещениями
Легко контролировать обучение нейронной сети
Регистрация кривых потерь и точности никогда не была легкой задачей. Мы часто сохраняем эти значения в массивах или списках, а затем наносим их на график в конце обучения. Поделиться этими графиками еще сложнее, когда отправка снимков экрана с этими графиками кажется единственным выходом. В этом руководстве мы рассмотрим эту проблему с помощью весов и смещений.
Weights & Biases (WandB) - это пакет Python, который позволяет нам..
Хватит позволять науке о данных заставлять людей чувствовать себя тупыми
5 [нетрадиционных] стратегий эффективного общения в науке о данных
Работая в науке о данных, я слышу это все время.
«Ты такой умный, я не имею дела со всеми этими «умными» вещами».
Позволь мне открыть тебе маленький секрет… Я не умнее всех остальных. Я просто потратил кучу времени на изучение, эксперименты и разговоры о науке о данных. И есть разница между знанием многих вещей и умением быть умным.
Знаю ли я больше, чем кто-либо в обычной комнате на коктейльной вечеринке,..
Новые материалы
Как создать диаграмму градиентной кисти с помощью D3.js
Резюме:
Из этого туториала Вы узнаете, как добавить градиентную кисть к диаграмме с областями в D3.js. Мы добавим градиент к значениям SVG и применим градиент в качестве заливки к диаграмме с..
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..