Publikációk a témában 'deep-learning'
Az adatelemzés módja
Az adatelemzés sikeréhez technikai készségek, üzleti ismeretek és puha készségek kombinációja szükséges. Íme néhány tipp, hogyan lehet sikeres ezen a területen:
Erős technikai készségek fejlesztése: Ez magában foglalja a különböző programozási nyelvek, például az SQL és a Python megértését, valamint a statisztikai elemzési és adatvizualizációs eszközökben való jártasságot. Folytassa a tanulást, és maradjon naprakész az új technológiákkal és technikákkal. Az alábbiakban felsorolunk..
Önfelügyelt, mélyreható tanulás (1. rész)
Előrelépések LeCun tortájának génoise-jában!
Mi ez az önfelügyelt tanulás, amit most mindenhol hallunk?
Az önfelügyelt tanulás egy újabb gépi tanulási módszer, de egy speciális ;) ahol a hálózat a megfigyelt tulajdonságok felhasználásával tanulja meg az adatok rejtett tulajdonságait, és hasznossá teszi a hálózatot számos más downstream felismerési feladathoz.
Kevesen tartják az SSL-t (self-supervised learning), a nem felügyelt tanulás egy altípusát. Én személy szerint úgy..
Hogyan viselkednek a mélygeneratív modellek, 2. rész (mesterséges intelligencia)
1. Kábítószer-kölcsönhatások előrejelzése mélygeneratív modellek segítségével (arXiv) grafikonokon
Szerző: Nhat Khang Ngo , Truong Son Hy , Risi Kondor
Absztrakt: A kábítószerek és célpontjaik látens ábrázolásai, amelyeket kortárs grafikon-autoencoder-alapú modellek hoztak létre, hasznosnak bizonyultak a csomópont-pár kölcsönhatások számos típusának előrejelzésében nagy hálózatokon, beleértve a gyógyszer-gyógyszer, a gyógyszer-célpont és cél-cél interakciók. A legtöbb..
Munka a nagy dimenziós idősorokkal, 2. rész (mesterséges intelligencia)
Időben változó hálózatok becslése nagydimenziós idősorokhoz (arXiv)
Szerző: Jia Chen , Degui Li , Yuning Li , Oliver Linton
Absztrakt: Időben változó hálózatokat kutatunk fel nagydimenziós, lokálisan stacionárius idősorokhoz, a nagy VAR modell keretrendszer segítségével, amely mind az átmeneti, mind a (hiba) pontosságú mátrixok zökkenőmentesen fejlődnek az idő múlásával. Kétféle időben változó gráfot vizsgálunk: az egyik a Granger-oksági kapcsolatok irányított éleit, a másik pedig..
Legfrissebb kutatási frissítések az 1. funkcióillesztési részről (gépi tanulás)
ResMatch: Residual Attention Learning for Local Feature Matching (arXiv)
Szerző: Yuxin Deng , Jiayi Ma
Absztrakt: A figyelem alapú gráf neurális hálózatok nagy előrehaladást értek el a jellemzőillesztés tanulásában. A szakirodalom azonban nem ismeri, hogyan működik a figyelemmechanizmus a jellemzők illesztésénél. Ebben a cikkben újragondoljuk a kereszt- és önfigyelmet a hagyományos jellemzőillesztés és -szűrés szempontjából. Az illesztés és szűrés megtanulásának megkönnyítése..
Neurális hálózat a szentimentális elemzéshez [-2. rész: Neurális_hálózati architektúra (részletesen) és…
[Szia! Üdvözöljük újra! Ha nem hivatkozott az „ 1. rész [Feature Extration] (csak, 7 perces olvasmány), akkor azt tanácsolom, hogy olvassa el a 2. rész áthaladása előtt. jobban megértheti a témaötletet és az adat-előfeldolgozási lépést.]
Használja a „Google Colab Jegyzetfüzetemet” az interaktív tanuláshoz!
Minden szakaszban először elmagyarázom az „alkalmazott alapvet/hipotézist”, majd a vonatkozó „kódlogikával rendelkező kódokat” és az „eredménykimeneteket” az..
ResNet50
A ResNet-50 egy 50 réteg mélységű konvolúciós neurális hálózat. A ResNet, a Residual Networks rövidítése egy klasszikus neurális hálózat, amelyet számos számítógépes látási feladat gerinceként használnak. A ResNet alapvető áttörése az volt, hogy rendkívül mély, több mint 150 rétegű neurális hálózatokat tanítottunk. Ez egy innovatív neurális hálózat, amelyet először Kaiming He, Xiangyu Zhang, Shaoqing Ren és Jian Sun mutatott be 2015-ös számítógépes látással kapcsolatos kutatási..
Új anyagok
A rádiógomb ellenőrzött eseményének használata a jQueryben
Ebben a cikkben látni fogjuk, hogyan kell dolgozni a jquery választógombbal ellenőrzött eseményeivel. A választógombok HTML gombok, amelyek segítenek kiválasztani egyetlen értéket egy csoportból...
Körkörös függőségek megoldása terraformban adatforrásokkal – lépésről lépésre
Mi az a körkörös függőségek
Dolgozzunk egy egyszerű eseten, amikor az SQS-sor és az S3-vödör közötti körkörös függőség problémája van egy egymástól függő címkeérték miatt.
provider..
Miért érdemes elkezdeni a kódolást 2023-ban?
01100011 01101111 01100100 01100101 — beep boop beep boop
Világunk folyamatosan fejlődik a technológia körül, és naponta fejlesztenek új technológiákat a valós problémák megoldására. Amint..
🎙 Random Noise #2 – Örökbefogadás és hit
az analitika íratlan világának gondozása
Szeretné, hogy ezek a frissítések a postaládájába kerüljenek? Iratkozzon fel itt .
"Ha önvezető autókat gyártanak, akkor mi miért ne..
A legrosszabb politika és prediktív modellek májátültetésre jelöltek számára az Egyesült Államokban
A máj (vagy óangolul lifer) az emberi test legnehezebb belső szervére utal, amely csendesen működik a nap 24 órájában.
Mit csinál a máj? 500 feladatot hajt végre a szervezet egészségének..
5 webhely, amely 2022-ben fejleszti front-end fejlesztői készségeit
Frontendmentor.io
A tényleges projektek létrehozásával a Frontendmentor.io segítséget nyújt a front-end kódolási képességeinek fejlesztésében. A kódolást azután kezdheti meg, hogy..
Mikor kell használni a Type-t az interfészhez képest a TypeScriptben?
A TypeScript a JavaScript gépelt szuperkészlete, amely statikus gépelést ad a nyelvhez. Ez megkönnyíti a robusztus és karbantartható kód írását azáltal, hogy a hibákat a fordítási időben..