Публикации по теме 'data-science'
Новые методы, связанные с трансферным обучением, часть 1 (машинное обучение) (2023 г.)
1. Перенос обучения в модели глубокого обучения для прогнозирования нагрузки зданий: случай ограниченных данных (arXiv)
Автор: Менна Навар , Мустафа Шомер , Сами Фаддель , Хуанцзе Гун
Выдержка: Точное прогнозирование нагрузки в зданиях может повысить потенциальную экономию на счетах и облегчить оптимизацию стратегий планирования выработки электроэнергии. С быстрым развитием информатики методы, управляемые данными, в частности модели глубокого обучения, стали..
Как сделать маркировку данных, управление версиями и управление для ML
Тематическое исследование пополнения набора данных о продуктах питания
Введение
Прошло несколько месяцев, когда Толока и ClearML собрались вместе, чтобы создать этот совместный проект. Наша цель состояла в том, чтобы продемонстрировать другим специалистам по машинному обучению, как сначала собирать данные, а затем проверять и управлять данными, прежде чем они будут переданы в модель машинного обучения.
Мы считаем, что следование этим рекомендациям поможет другим создавать более..
Важность ML в автомобильной промышленности
Несколько мыслей об очень увлекательном путешествии.
Машинное обучение (ML) в наши дни добивается огромных успехов, преобразуя многие отрасли. Эффект будет усиливаться по мере появления новых инструментов, а инженеры смогут овладеть искусством создания своих систем машинного обучения.
Я присоединился к Groupe Renault в конце 2016 года, ожидая новых задач в области науки о данных в отрасли, которая меня интересовала. И, честно говоря, мне повезло с богатым опытом, который я получил в..
Как работает многоагентное обучение с подкреплением, часть 2
Масштабируемая коммуникация для многоагентного обучения с подкреплением через механизм электронной почты на основе Transformer (arXiv)
Автор: Сюйдун Го , Дамин Ши , Вэньхуэй Фань
Вывод: Общение может значительно улучшить сотрудничество в многоагентном обучении с подкреплением (MARL), особенно для задач с частичным наблюдением. Однако существующие работы либо транслируют сообщения, ведущие к избыточности информации, либо изучают целевую коммуникацию, моделируя всех других..
Как работают авторегрессивные языковые модели, часть 1 (машинное обучение)
Декомпозиция скрытых состояний модели авторегрессионного языка для анализа прогнозов модели (arXiv) на основе токенов
Автор: Byung-Doh Oh , William Schuler .
Аннотация: Хотя в последнее время наблюдается большой интерес к изучению того, почему модели больших языков на основе Transformer делают предсказания именно так, как они это делают, сложные вычисления, выполняемые на каждом уровне, сделали их поведение несколько непрозрачным. Чтобы смягчить эту непрозрачность, в этой работе..
Обновления в нейронном рендеринге объемов, часть 1 (машинное обучение)
Нейронные объемы: изучение динамических визуализируемых объемов из изображений (arXiv)
Автор: Стивен Ломбарди , Томас Саймон , Джейсон Сарагих , Габриэль Шварц , Андреас Лерманн , Ясер Шейх .
Аннотация: Моделирование и рендеринг динамических сцен является сложной задачей, поскольку естественные сцены часто содержат сложные явления, такие как тонкие структуры, развивающаяся топология, полупрозрачность, рассеяние, окклюзия и биологическое движение. В этих случаях реконструкция и..
Отличная статья!
Отличная статья! Понравилось, как вы представили разные методы для разных типов данных (числовых, категориальных, текстовых).
Во введении не помешало бы немного больше ясности, так как некоторые люди (включая меня, к стыду), возможно, не знакомы с термином «конструирование функций». Копирование и вставка выделенного предложения из Заключения обязательно поможет!
Вот отличная статья (которую я не писал), посвященная различным методам уменьшения размерности, если кому-то интересно...
