Публикации по теме deep-learning

Публикации по теме 'deep-learning'

Понимание обнаружения объектов с помощью YOLO

Информация для инструктора курса Нишан Панта занимается исследованиями и разработкой искусственного интеллекта более 3 лет, а также является соучредителем MPercept Technology и открытого сообщества AIDevNepal, которое произвело революцию в семинарах по ИИ и связях с ними в Непале. электронная почта : [email protected] Github : NISH1001 Linkedin : nishparadox Нишан был основным инструктором в MPercept Academy . Он преподает и руководит курсами по искусственному..

Обнаружение объектов с помощью CNN с поддержкой сегментации

Между сегментацией и обнаружением существует тесная связь. Эмпирически известно, что вопросы, связанные с сегментацией, часто помогают в обнаружении объектов. Добавлены два модуля: модуль карт активации для функций, поддерживающих семантическую сегментацию, и модуль адаптации регионов для функции, поддерживающей грамматическую сегментацию. Здесь не используется дополнительная аннотация для обучения. FCN используется для модуля карты активации. Число каналов последнего уровня FC7..

Классификация фейковых новостей с Keras

Использование двунаправленных GRU с spaCy и пользовательскими вложениями В последние годы фейковые новости становятся все более распространенными. Поскольку все больше и больше наших новостей потребляется из онлайн-источников, жизненно важно иметь возможность определить, реальны ли новости. Эта статья представляет собой забавный взгляд на то, как можно использовать подходы глубокого обучения для решения этой проблемы в Python. Он разбит на 5 разделов: Описание данных..

Шипы - это все, что вам нужно?

Введение в шипованные нейронные сети Spiking Neural Networks, отсюда и SNN, считается следующим поколением искусственных нейронных сетей. Тем не менее, я думаю, что не будет дикой догадкой предположить, что большинство специалистов по данным не слышали об этом, поскольку это определенно не вызвало шума, который обычно сопровождает такого рода заявления. В этой статье я постараюсь объяснить, почему он так считался и почему он не произвел ожидаемого шума (пока?). Я также коснусь некоторых..

Примеры использования частных синтетических данных, часть 4 (машинное обучение)

Частные синтетические данные для многозадачного обучения и маргинальных запросов (arXiv) Автор: Джузеппе Виетри , Седрик Аршамбо , Сергул Айдор , Уильям Браун , Майкл Кернс , Аарон Рот , Анкит Сива , Шуай Тан , Живэй Стивен Ву . Аннотация: Мы предоставляем дифференциально частный алгоритм для создания синтетических данных, одновременно полезных для нескольких задач: маргинальных запросов и многозадачного машинного обучения (ML). Ключевым нововведением в нашем алгоритме..

Прогноз рынка Ubiquant

Делайте прогнозы относительно будущих рыночных данных Подключиться к платному доступу? Избавься от этого здесь! Какой бы ни была инвестиционная стратегия, волатильность финансового рынка неизбежна. Несмотря на такие колебания, эксперты все еще могут прогнозировать свою общую прибыль. Ряд факторов способствует как стабильности, так и волатильности инвестиций, таких как их тип и другие способствующие факторы. Финансовый рынок предлагает множество вычислительных алгоритмов и моделей,..

Использование машинного обучения для измерения настроения пользователей в отношении изменения климата

Изменение климата - это изменение распределения погодных условий. Хотя антропогенное изменение климата принято считать наукой, есть также скептики, которые считают иначе. Применяя методы машинного обучения к твитам, обсуждающим изменение климата, мы можем лучше понять влияние социально-политических изменений на эти различные точки зрения. Для этого нам нужно собрать соответствующие данные и построить прогнозную модель, которая поможет нам определять настроения входящих твитов...