Публикации по теме 'neural-networks'
Углубление регуляризации L1 с примером в Python (sklearn)
Регуляризация L1, также известная как регуляризация Лассо, представляет собой тип регуляризации, который добавляет штрафной член к целевой функции, чтобы уменьшить сложность модели. Целевая функция — это функция, которую модель пытается оптимизировать, и штрафной член добавляется, чтобы воспрепятствовать переобучению модели обучающими данными.
Член регуляризации L1 определяется как сумма абсолютных значений весов, умноженных на гиперпараметр, называемый лямбдой, который является..
Машинное обучение или глубокое обучение?
«Глубокое обучение - это особый вид машинного обучения, который обеспечивает большую мощность и гибкость за счет обучения представлению мира в виде вложенной иерархии концепций, при этом каждая концепция определяется по отношению к более простым концепциям, а более абстрактные представления вычисляются в терминах менее абстрактные ».
Это очень важный вопрос для многих новичков в области машинного обучения / глубокого обучения / науки о данных .
Итак, сегодня мы узнаем это: -
Как..
Генеративные состязательные сети - Дорожная карта чтения бумаги
Этот пост изначально был размещен на https://www.codingwoman.com/generative-adversarial-networks-paper-reading-road-map/
Этим летом я работал над генеративными состязательными сетями (GAN) в рамках исследовательской стажировки. Сначала я мало что знал об этой модели, поэтому в первые недели стажировки я много читал бумаги. Чтобы помочь другим, кто хочет узнать больше о технических сторонах GAN, я хотел поделиться некоторыми статьями, которые я прочитал, в том порядке, в котором я..
Работа с несбалансированными наборами данных: задачи бинарной классификации
Часто, когда вы решаете задачу классификации с помощью машинного обучения, цель лежит глубже, чем построение точной прогностической системы. Может быть, вы хотите создать веб-сайт, который на основе сканирования мозга пациента может точно предсказать, есть ли у пациента опухоль, и в этом случае вы можете отдать предпочтение предотвращению ложноотрицательных результатов (ошибки типа II) над ложноположительным результатом (ошибки типа I). ошибки). Таким образом, меньшее количество..
AlexNet обучен работе с набором данных Mnsit (реализация и теория Python Tensorflow)
AlexNet обучен работе с набором данных Mnsit (реализация и теория Python Tensorflow)
Привет, это Арвин. Сегодня я собираюсь написать об AlexNet, еще одной модели нейронной сети, которая очень популярна, и мы хотим реализовать ее в наборе данных Mnist, как мы сделали с LeNet, но на этот раз я собираюсь смешать теорию и реализацию в одну статью. сначала мы приступим к реализации для тех, кто просто хочет завершить свой проект. Вот ссылка на полный код:..
Расшифровано: быстрое глубокое обучение ИИ для программистов, урок 1
Цель серии: Прохождение урока 1 курса глубокого обучения fast.ai
Курс глубокого обучения Fast.ai — один из лучших и бесплатных ресурсов для начала работы с глубоким обучением. Их цель — помочь нанять экспертов в предметной области, предпринимателей и других лиц для решения широкого круга проблем с использованием глубокого обучения.
Чтобы достичь этого, они использовали подход «сверху вниз», чтобы люди могли испачкать руки, как только они погрузились в курс, вместо того, чтобы..
Увеличение изображения для глубокого обучения с использованием Keras и выравнивания гистограмм
В этом посте мы рассмотрим:
Увеличение изображения: что это такое? Почему это важно? Керас: Как использовать его для базового увеличения изображения. Выравнивание гистограммы: что это такое? Чем это полезно? Реализация методов выравнивания гистограммы: один из способов изменить файл keras.preprocessing image.py.
Увеличение изображения: что это такое? Почему это важно?
Глубокие нейронные сети, особенно сверточные нейронные сети (CNN) , особенно хорошо справляются с задачами..
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..