Публикации по теме 'artificial-intelligence'


«Раскройте потенциал Python для анализа данных: руководство по 5 основным библиотекам»
TL;DR: TL;DR: научитесь использовать Python, чтобы раскрыть всю мощь анализа данных. Максимально используйте свои ресурсы данных и получайте ценную информацию с помощью мощного набора инструментов Python для обработки и анализа данных. Начните изучать и понимать свои данные сегодня! Краткое содержание: Изучение и понимание данных — неотъемлемая часть любого проекта, основанного на данных. Это помогает нам выявлять закономерности и тенденции, а также раскрывать идеи, которые можно..
Начните с машинного обучения
Это стенограмма выступления Сандипа Гири на Git Commit Show 2019 . О спикере Сандип Гири работал с Amazon, InMobi и основал CloudxLab. Он обучил машинному обучению более 1000 инженеров по всему миру. Многие из его учеников включают профессоров и специалистов по всему миру. Обладая более чем 18-летним опытом работы в технологической отрасли и будучи штатным инструктором по машинному обучению, он является одним из лучших людей, у которых можно узнать о машинном обучении. Вы также..
Нарушение шаблона: бросая вызов общему разделению для обучения, проверки и тестовых наборов в машинах…
В этом посте мы рассмотрим определение подходящего соотношения для обучения, проверки и тестовых наборов в малых и больших базах данных. Фон Разделение набора данных на наборы для обучения, проверки и тестирования является важным шагом в построении модели машинного обучения, поскольку позволяет модели обучаться на одном наборе, настраивать на другом и оценивать на финальном наборе. Большие наборы данных выигрывают от большей части обучающих данных при перетасовке и обеспечении..
Повышение уровня теста Тьюринга: игры-эмуляторы и эволюция модельного интеллекта в 2023 году
Мультимодальный многопользовательский метод тестирования агентов и социальной дедукции для оценки современного ИИ Примечание автора: поскольку в настоящее время я нахожусь на стажировке, единственным источником дохода для меня является то, что вы хлопаете в ладоши за эту статью, поэтому, пожалуйста, хлопайте, если она вам понравилась! Фон
«Изучение глубины сходства предметов: обнаружение четырех уникальных показателей»
TL;DR: Выбор правильной меры сходства для вложений элементов необходим для получения точных рекомендаций. Для этого рассмотрите характер данных, объем данных, тип приложения и доступные ресурсы. Сравните и сопоставьте различные меры подобия, чтобы обеспечить наилучшее соответствие для вашего приложения. TL;DR: выберите меру сходства для вложений элементов на основе характера данных, количества, типа приложения и доступных ресурсов; сравните/сопоставьте различные меры для наилучшего..
Google предлагает эффективную модульную неявную дифференциацию для задач оптимизации
Новое исследование Google Research предложило единый, эффективный и модульный подход для неявной дифференциации задач оптимизации, который сочетает в себе преимущества неявного дифференцирования и автоматического дифференцирования (autodiff). Исследователи говорят, что решатели, оснащенные неявной дифференциацией, установленной предлагаемой структурой, могут сделать процесс автодифференции более эффективным для конечных пользователей. Autodiff - это революционный метод, используемый в..
Работа с концепцией уравненных шансов (машинное обучение)
Уравненные шансы не равны индивидуальным шансам: постобработка для групповой и индивидуальной справедливости (arXiv) Автор: Эдвард А. Смолл , Кацпер Сокол , Дэниел Мэннинг , Флора Д. Салим , Джеффри Чан Аннотация: Групповая справедливость достигается за счет выравнивания распределений прогнозов между защищенными подгруппами; индивидуальная справедливость требует одинакового отношения к одинаковым людям. Однако эти две цели несовместимы, когда модель оценки калибруется с помощью..