Публикации по теме 'neural-networks'
Классификация изображений в CIFAR 10: полное руководство
Классификация изображений в CIFAR 10: полное руководство
Глава II: Мелкая нейронная сеть
Это часть 2/3 мини-сериала, в котором используется классификация изображений в CIFAR-10. Посмотрите последнюю главу, в которой мы использовали логистическую регрессию , более простую модель.
Для понимания softmax, кросс-энтропии, мини-пакетного градиентного спуска, подготовки данных и других вещей, которые также играют большую роль в нейронных сетях, прочтите предыдущую запись в этой..
Жидкие нейронные сети
Изучение динамики жидкостных вычислительных систем
Обзор
Этот курс обеспечивает углубленное изучение жидких нейронных сетей, типа вычислительной модели, вдохновленной поведением жидкостей. Жидкие нейронные сети известны своим динамичным и непрерывным характером, что делает их хорошо подходящими для таких задач, как анализ временных рядов и сенсорная обработка. В этом курсе студенты изучат фундаментальные принципы жидкостных вычислительных систем, включая архитектуру, методы..
Ежедневный совет по анализу данных - № 7
Ежедневный совет по анализу данных - № 7
Краткое введение в переоснащение машинного обучения и нейронных сетей.
Переобучение происходит, когда обученная модель обобщает обучающие данные и не может точно предсказать невидимые данные. Это происходит потому, что модель слишком внимательно изучила особенности обучающих данных, включая шум.
Переобучение также может произойти, если обучающие данные не точно представляют распределение тестовых данных.
Переобучение можно исправить,..
Новое преимущество в графах знаний
Как карьерный технический менеджер по продуктам, специализирующийся на AI/ML и поисковых системах, я часто использовал мощь графов знаний и их способность представлять информацию в виде семантической сети сущностей и отношений. Графы знаний нашли широкое применение в таких приложениях, как релевантность поисковых систем, устранение неоднозначности сущностей и системы рекомендаций (и это далеко не все).
Но знаете ли вы, что графы знаний могут быть чрезвычайно мощными при использовании в..
Как инициализировать веса в нейронной сети?
Интуитивно понятное и простое руководство по трем наиболее популярным методам инициализации веса поможет вам выбрать правильный для вашего проекта.
Введение
Инициализация веса — это параметр проектирования модели, неправильный выбор которого может замедлить или затормозить сходимость. Вы можете думать об этом как о отправной точке ландшафта функции потерь.
Интуитивное предположение было бы для начала 0, но оно также приводит к 0 градиентам, следовательно, никакого обучения...
ИИ Дон: невыразимая история крестного отца искусственного интеллекта
Доктор Джеймс Винтерс, изобретатель искусственного интеллекта , постоянно восхищался его потенциалом. Он мечтал построить машину, которая могла бы думать и учиться, как человек, когда он был молодым студентом, изучающим компьютерные науки.
Доктор Уинтерс начал работать над проектом, который изменит ход истории, после того, как получил докторскую степень. в начале 1980-х. Вместе со своей исследовательской группой он создал первую нейронную сеть, способную к автономному обучению...
Почему Dropout так эффективен в глубокой нейронной сети?
Наука о данных, глубокое обучение
Почему Dropout так эффективен в глубокой нейронной сети
Dropout - это простой способ уменьшить зависимости в глубокой нейронной сети.
В этой статье вы можете изучить Dropout, каковы плюсы и минусы регуляризации по сравнению с отсевом, как работает метод Dropout в глубоком обучении и каковы эффективные способы использования Dropout в глубоком обучении и как реализовать отсев в глубокая нейронная сеть?
Что означает отказ от глубокого обучения?..
Новые материалы
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..
ИИ в аэрокосмической отрасли
Каждый полет – это шаг вперед к великой мечте. Чтобы это происходило в их собственном темпе, необходима команда астронавтов для погони за космосом и команда технического обслуживания..