Публикации по теме 'deep-learning'
Объем последовательности: пространство MLOps становится переполненным и запутанным
Еженедельный информационный бюллетень с более чем 80000 подписчиков, в котором обсуждаются важные исследовательские работы по машинному обучению, крутые технические выпуски, деньги от ИИ и реальные реализации.
Sequence Scope - это сводка наиболее важных опубликованных исследовательских работ, опубликованных новостей о технологиях и стартапах в экосистеме ИИ за последнюю неделю. Этот сборник является частью информационного бюллетеня TheSequence. Специалисты по обработке данных, ученые..
Классификация изображений за 10 минут с помощью набора данных MNIST
Классификация изображений за 10 минут с помощью набора данных MNIST
Использование сверточных нейронных сетей для классификации рукописных цифр с помощью TensorFlow и Keras | Контролируемое глубокое обучение
Если вы читаете эту статью, я уверен, что мы разделяем схожие интересы и находимся / будем работать в схожих отраслях. Итак, подключимся через Linkedin ! Пожалуйста, не стесняйтесь отправить запрос на контакт! Орхан Г. Ялчин - Linkedin
Прежде чем углубиться в эту..
Построение специфичных для предметной области языковых моделей
LIVEPROJECT
Построение специфичных для предметной области языковых моделей
Модель N-грамм, RNN, LSTM, AllenNLP
Мы только что запустили нашу платформу liveProject , где вы можете подписаться на структурированный проект и получить реальный опыт.
В this liveProject вы станете специалистом по обработке естественного языка данных, работающим в Stack Exchange. У Stack Exchange есть сеть сайтов вопросов и ответов по различным темам, от программирования до кулинарии. Ваш босс хочет,..
Визуализация функций потерь для глубокого обучения с помощью Tensorflow
Понимание интуиции функций потерь
TensorFlow в настоящее время является лучшей библиотекой с открытым исходным кодом для численных вычислений, которая ускоряет и упрощает машинное обучение. В этом посте вы узнаете о некоторых функциях потерь, используемых в машинном обучении.
Функции потерь очень важны в мире машинного обучения. Они служат в качестве способов измерения расстояния или разницы между прогнозируемым выходом модели Y_out и меткой истинности Y для эффективного обучения..
Карты значимости для глубокого обучения, часть 1: ванильный градиент
Карты значимости в последнее время привлекают много внимания. Они представляют собой популярный инструмент визуализации, позволяющий понять, почему модель глубокого обучения приняла индивидуальное решение, например, при классификации изображения. В крупных статьях, таких как Dueling DQN и Примеры состязательности для CNN , используются карты значимости, чтобы показать, на чем их модели фокусируют свое внимание.
Карты значимости¹ обычно визуализируются как тепловые карты (см .:..
Почему MobileNet и ее варианты (например, ShuffleNet) работают быстро
Вступление
В этой статье я даю обзор строительных блоков, используемых в эффективных моделях CNN, таких как MobileNet и его варианты, и объясняю, почему они так эффективны. В частности, я предоставляю интуитивно понятные иллюстрации того, как выполняется свертка как в пространственной, так и в канальной области.
Строительные блоки, используемые в эффективных моделях
Прежде чем объяснять конкретные эффективные модели CNN, давайте проверим вычислительную стоимость строительных блоков,..
Искусственная интуиция
Искусственная интуиция
Ограничения (и нелепая сила) творчества глубокого обучения
Автор Нелл Уотсон (переиздано с разрешения)
Несмотря на множество маркетинговых разговоров о «когнитивных вычислениях», ИНС во многом являются искусственной интуицией, а не интеллектом как таковым. Они способны творчески заполнять пробелы и совершать интуитивные прыжки, чтобы адекватно реагировать на данную ситуацию (Система 1, мышление а-ля Канеман).
Они настолько мощны, что могут фактически..