Публикации по теме 'artificial-intelligence'
Почему глубокое обучение не всегда лучший подход к обучению с учителем?
В настоящее время существует множество различных алгоритмов машинного обучения, которые можно применять, и кажется, что методологии глубокого обучения являются лучшими из всех, но небольшая теорема показывает, что это не так.
Студентов обычно поражают глубокие нейронные сети. Я не виню их, это имя имеет сильный маркетинговый эффект, а в исследованиях, как и в бизнес-маркетинге, это фундаментальный ключ к успеху. На самом деле, глубокие нейронные сети имеют очень мало общего с нашим..
Серия AI Founder: решение проблем, уникальных для стартапов с поддержкой AI
Почти на каждом мероприятии в сфере высоких технологий, которое я посещаю, по крайней мере один человек спрашивает меня, что значит инвестировать в «стартапы с ИИ». Я неизбежно слышу: «Но разве не каждой компании суждено стать ИИ-компанией?»
Честно говоря, они правы - у каждой компании скоро появится какой-то аспект своего бизнеса, основанный на машинном интеллекте. Но на мой взгляд, дело не в том, что каждая компания использует ИИ; речь идет о том, что определенная группа компаний..
Порядок работы XGBoost
XGBoost — популярный алгоритм машинного обучения, который используется как для задач регрессии, так и для задач классификации. Он работает путем объединения нескольких деревьев решений для создания надежной модели ансамбля, которая может делать точные прогнозы.
Алгоритм сначала создает единое дерево решений и использует его для прогнозирования обучающих данных. Затем он вычисляет ошибки или остатки этих прогнозов и создает новое дерево решений, ориентированное на прогнозирование этих..
Музыкальные тренды Sertanejo на 2018 год, созданные искусственным интеллектом
Во-первых, это не апокалиптическое видение того дня, когда людей заменят машины.
Но с тех пор, как первые обезьяны начали использовать палки, чтобы приносить муравьям деревья, в нашу жизнь вводятся инструменты для ускорения любого процесса. И если вы автор песен, я должен сказать вам одну вещь. Ваша работа в опасности. Или, может быть, у вас просто новый коллега =)
Я знаю, что легче думать в ИИ. в физико-математическом контексте. Но это правда, компьютер может научиться творческому..
Варианты использования приближения Нистрёма, часть 3 (машинное обучение)
Приближение Нистрема с неотрицательной матричной факторизацией (arXiv)
Автор : Юнцюань Фу
Аннотация: Руководствуясь необходимостью оценки кластеризации по близости с частичными измерениями расстояния от точек наблюдения или ориентиров для удаленных сетевых систем, мы показываем, что задача кластеризации по близости может быть эффективно сформулирована как задача аппроксимации Нистрема, которая решает кластеризацию ядра K-средних. проблема в сложном пространстве. Мы реализуем..
Освоение генеративного ИИ: подробное руководство по учебным ресурсам и учебное пособие
[ Статья № 02] Руководство по ресурсам
Генеративный ИИ – это увлекательная и быстро развивающаяся область, в которой сочетаются машинное обучение , творчество и инновации.
Независимо от того, являетесь ли вы специалистом по данным , начинающим энтузиастом ИИ или творческим профессионалом , стремящимся использовать творческий потенциал ИИ, это руководство поможет вам к пониманию и освоению генеративного ИИ .
Здесь вы найдете тщательно отобранный список учебных..
Мой взгляд на предубеждения в алгоритмах/ИИ
Недавно я наткнулся на два доклада, критикующих то, как плохие алгоритмы делают жизнь многих людей невыносимой.
Первое — это выступление Джой Буоламвини на TED, а второе — Google Tech Talk Кэти О’Нил, основанное на ее книге «Оружие математического разрушения».
В докладе О’Нила было несколько примеров, показывающих, насколько проблематичным является алгоритмическое принятие решений. От выставления оценок учителям до отправки полиции в черные кварталы — ее данные и критика в порядке, пока..
