Публикации по теме 'technology'
Улучшите производительность приложения React Native с помощью этих рекомендаций
React Native предлагает исключительную среду для создания мобильных приложений с использованием JavaScript, но, как и любая другая технология, оптимизация производительности может представлять собой проблему. Чтобы ваши приложения React Native работали максимально быстро и эффективно, важно придерживаться идеальных процедур повышения производительности.
В этом сообщении блога мы рассмотрим несколько основных методов, которые вы можете использовать для повышения производительности..
Как можно использовать комбинацию Transformer Neural Network, часть 5 (машинное обучение)
Риторическая ролевая маркировка юридических документов с использованием преобразователей и графовых нейронных сетей (arXiv)
Автор: Аншика Гупта , Шаз Мебельвала , Виджай Кумари , Яшвардхан Шарма .
Аннотация: Юридический документ, как правило, длинный и плотный, и для его разбора требуется человеческое усилие. Он также содержит значительное количество жаргона, из-за чего получение информации с использованием существующих моделей является плохим подходом. В этом документе..
Функции и их концепции в Python
Программирование
Функции и их концепции в Python
Компоненты и типы аргументов в функциях
В этой статье будут рассмотрены все концепции, связанные с функциями, и вы почувствуете себя комфортно при программировании. Эта тема очень проста для понимания и в то же время трудна из-за меньшего количества практики.
Темы для обсуждения:
Вступление Аргументы функции и их типы Глобальная и локальная переменная Передача последовательности данных в функцию Анонимная функция -..
Использование ML Playbooks для обнаружения IoC в Google Cloud
Начинающий подход к использованию машинного обучения для анализа инцидентов
Начало
В больших наборах данных алгоритмы машинного обучения могут обнаруживать закономерности и выявлять аномалии. Мы можем создавать модели, которые изучают исторические данные и распознают отклонения от типичного поведения, применяя машинное обучение для обнаружения событий безопасности. Модели машинного обучения могут одновременно анализировать несколько источников данных, таких как журналы, сетевой..
Злоупотребление Go Generics снижает эффективность! Улучшение производительности Golang(7)
В этой статье я сравню производительность среди фиксированного типа, интерфейс в качестве параметра принимает любое значение и перейду к дженерикам. Вы знаете, что Go Generics — самый медленный.
Основы
Сначала рассмотрим концепции go generics, интерфейс в качестве параметра принимает любое значение и фиксированный тип.
Фиксированный тип
В программировании на Go «фиксированный тип» обычно относится к конкретному типу с определенным известным типом во время компиляции. Это..
Как работают устройства NISQ часть 2
Quantum Volume на практике: что пользователи могут ожидать от устройств NISQ (arXiv)
Автор: Элайджа Пелофске , Андреас Берчи , Стефан Эйденбенц
Аннотация: Квантовый объем (QV) стал де-факто стандартным эталоном для количественной оценки возможностей шумных промежуточных квантовых устройств (NISQ). Хотя поставщики NISQ часто сообщают значения QV для своих систем, мы выполняем собственную серию расчетов QV на 24 устройствах NISQ, предлагаемых в настоящее время IBM~Q, IonQ,..
Инновационные приложения нейронного машинного перевода, часть 3 (машинное обучение)
Полууправляемый нейронный машинный перевод с регуляризацией согласованности для языков с низким уровнем ресурсов (arXiv)
Автор: Вьет Х. Фам , Тханг М. Фам , Джианг Нгуен , Лонг Нгуен , Дьен Динь .
Аннотация: Появление глубокого обучения привело к значительному прогрессу в машинном переводе. Однако для большинства исследований требовался большой параллельный набор данных, который является дефицитным и дорогостоящим для создания и даже недоступен для некоторых языков. В этой статье..
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..