Публикации по теме 'machine-learning'
Работа с непрерывностью Липшица, часть 2 (машинное обучение)
Варианты SGD для липшицевых функций с непрерывными потерями в средах с низкой точностью (arXiv)
Автор : Майкл Р. Метел
Аннотация: В этой работе, основанной на обучении нейронной сети в низкобитовых средах с плавающей и фиксированной запятой, изучается сходимость вариантов SGD с вычислительной ошибкой. Рассматривая общую стохастическую непрерывную функцию потерь Липшица, представлен новый результат сходимости к стационарной точке Кларка, предполагающий, что можно вычислить только..
Кластеризация кредитных карт
Автоматическая кластеризация с AuDaS
Проблема номер один, с которой сталкиваются маркетологи, - это понять, кому они продают. Когда вы знаете, как выглядят ваши покупатели, вы можете адаптировать таргетинг и предложения, чтобы повысить их удовлетворенность и, как следствие, свой доход. Когда у вас уже есть группа клиентов и достаточно данных о них, может быть очень полезно их сегментировать. В этой статье мы увидим, как мы можем использовать кластеризацию для сегментации некоторых..
Машинное обучение: благо для общества
Машинное обучение: благо для общества
Мы не можем отрицать тот факт, что сверхразумные машины — это не просто научная фантастика. Искусственный интеллект произвел революцию почти во всех областях, от бизнеса, банковского дела, работы, экономики до ведения войны, связи и конфиденциальности. Однако его долгосрочное влияние еще предстоит увидеть. Приведет ли ИИ наше общество к светлому будущему? Определенно да!
Согласно отчету IDC, расходы на ИИ достигнут 46 миллиардов долларов, и..
Новые методы с радиальными базисными функциями, часть 2 (машинное обучение)
Масштабирование функций радиального базиса (arXiv)
Автор: Элизабет Ларссон , Роберт Шабак .
Аннотация: В этой статье изучается влияние масштабирования на поведение интерполяции радиальной базисной функции. Он фокусируется на некоторых центральных аспектах, но не пытается быть исчерпывающим. Наиболее важные вопросы таковы: как ошибка интерполянта на основе ядра зависит от масштаба выбранного ядра? Как изменяется граница стандартной ошибки? А поскольку фиксированные функции могут..
K-Means: значение кластеризации
K-means — это универсальная модель, которая может служить как исследовательским, так и объяснительным целям.
Исследование данных — важный шаг в построении эффективной модели. Данные рассказывают историю. В отличие от хорошей книги, чтобы понять историю данных, нам нужно пройти очень важный шаг: исследование данных.
K-средние — это универсальная модель, которая может служить как исследовательским, так и объяснительным целям. Первоначально его можно использовать, чтобы получить..
Последние исследования состояний матричного продукта, часть 7 (машинное обучение)
Построение неэрмитова родительского гамильтониана из состояний матричного произведения (arXiv)
Автор: Руохан Шэнь , Ючэнь Го , Шо Ян .
Аннотация: вот различные стратегии исследования, используемые для неэрмитовых систем, которые обычно включают введение неэрмитовых терминов в ранее существовавшие эрмитовы гамильтонианы. Непосредственное проектирование неэрмитовых моделей многих тел, обладающих уникальными характеристиками, которых нет в эрмитовых системах, может оказаться сложной..
Работа с оценщиком максимального правдоподобия, часть 4 (искусственный интеллект)
Оценка квазимаксимального правдоподобия многомерных факторных моделей (arXiv)
Автор : Маттео Баригоцци
Аннотация: Мы рассматриваем оценку квазимаксимального правдоподобия факторных моделей для многомерных панелей временных рядов. Мы рассматриваем два случая: (1) оценка, когда не указана динамическая модель для факторов (Bai and Li, 2016); (2) оценка на основе алгоритма сглаживания Калмана и алгоритма максимизации ожидания, что позволяет явно моделировать динамику факторов (Doz et..
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..