Публикации по теме 'deep-learning'
Как далеко мы продвинулись с динамикой Ланжевена 2023, часть 4 (машинное обучение)
Байесовский эфирный FedAvg через стохастический градиент, управляемый каналом, Langevin Dynamics (arXiv)
Автор: Бонин Чжан , Дунчжу Лю , Освальдо Симеоне , Гуансю Чжу .
Аннотация: недавняя разработка масштабируемых байесовских методов вывода возродила интерес к принятию байесовского обучения в качестве альтернативы обычному частотному обучению, которое предлагает улучшенную калибровку модели посредством количественной оценки неопределенности. Недавно в качестве варианта..
От турбулентности к спокойствию
Решение Навье-Стокса спектральными методами.
В сложном балете мира природы гидродинамика играет столь же повсеместную, сколь и загадочную роль. От воздуха, наполняющего наши легкие, до рек, прорезающих долины, поток жидкостей — это явление, которое управляет как великими, так и детальными аспектами нашего существования. Тем не менее, несмотря на вездесущность, истинное понимание гидродинамики остается задачей, которая увлекала и сбивала с толку ученых на протяжении веков. Это занятие..
Лучшее использование машинного обучения на клинических данных, часть 9
Генеративное моделирование стареющего сердца с использованием изображений поперечного сечения и клинических данных (arXiv)
Автор: Mengyun Qiao , Berke Doga Basaran , Huaqi Qiu , Shuo Wang , Yi Guo , Yuanyuan Wang , Paul M. Matthews , Daniel Rueckert , Wenjia Bai .
Резюме: Сердечно-сосудистые заболевания, ведущая причина смерти во всем мире, являются возрастными заболеваниями. Понимание морфологических и функциональных изменений сердца при старении является ключевым научным..
Откройте для себя возможности кластеризации HDBSCAN для неконтролируемого обучения
HDBSCAN (пространственная кластеризация приложений с шумом на основе иерархической плотности) — это мощный неконтролируемый метод машинного обучения для обнаружения кластеров в данных. Это особенно полезно для наборов данных, содержащих большое количество точек с различной плотностью, поскольку может обрабатывать как плотные, так и разреженные кластеры.
Одной из ключевых особенностей HDBSCAN является его способность идентифицировать кластеры любой формы, размера и плотности. Это..
Создание мощных моделей с помощью простоты neptune.ai: подробное руководство
В современном мире найти решение проблемы легко, но найти оптимальное решение сложнее.
То же самое относится и к области науки о данных: существует множество алгоритмов для выполнения задачи, но поиск правильного алгоритма с правильным набором параметров, который подходит вашим данным, является основной проблемой, с которой сталкивается каждый специалист по данным.
Это требует большого количества экспериментов с различными алгоритмами, тонкой настройки параметров модели, мониторинга..
Введение в Keras и трансферное обучение для самоуправляемых автомобилей
Введение в Keras и использование трансферного обучения в разработке архитектур глубокого обучения
В этой средней статье я собираюсь объяснить основные концепции Keras, Transfer Learning и многослойной сверточной нейронной сети. Я представлю интерфейс, который находится поверх TensorFlow и позволяет нам использовать мощь TensorFlow с гораздо более кратким кодом.
Это верно. В этой средней статье мы будем строить глубокую нейронную сеть, используя новый набор инструментов. У нас..
Лучшее исследование за все время по генеративно-состязательным сетям (GAN), часть 8 (машинное обучение)
Сегментация опухоли головного мозга с использованием синтетических МРТ-изображений — сравнение моделей GAN и диффузии (arXiv)
Автор: Мухаммад Усман Акбар , Манс Ларссон , Андерс Эклунд .
Аннотация: Для обучения моделей глубокого обучения требуются большие аннотированные наборы данных, но обмен данными в медицинской визуализации часто затруднен из-за этики, анонимности и законодательства о защите данных (например, общего регламента защиты данных (GDPR)). Генеративные модели ИИ, такие..
