Публикации по теме 'deep-learning'
Что такое концепция 1-Липшица, часть 3 (машинное обучение)
Липшицевы свободные p-пространства для 0‹p‹1(arXiv)
Автор: Фернандо Альбиак , Хосе Л. Ансорена , Марек Кут , Михал Душа .
Аннотация: Эта статья инициирует изучение структуры нового класса p-банаховых пространств, 0‹p‹1, а именно липшицевых свободных p-пространств (альтернативно называемых p-пространствами Аренса-Иллса) Fp(M) над p- метрические пространства. Мы систематически развиваем теорию и показываем, что некоторые результаты справедливы, как и в случае p=1, а в случае 0‹p‹1..
10 платформ Python для параллельных и распределенных задач машинного обучения.
Библиотеки Python, позволяющие распределять и распараллеливать задачи машинного обучения
В настоящее время модели нейронных сетей очень глубокие и сложные, требующие изучения большого количества весов. Тренировать такие модели очень сложно. Специалистам по обработке данных необходимо настроить распределенное обучение, контрольные точки и т. Д. Даже после этого специалисты по обработке данных могут не достичь желаемой производительности и скорости сходимости. Обучение больших моделей..
В конце глубокого обучения: изучение Rust
Часть 1: Простые матрицы и линейная регрессия
Серия Мотивация
Я был инженером MLOps в течение последних 5 лет, и хотя моя работа не связана с повседневным написанием низкоуровневых функций машинного обучения, я хотел убедиться, что понимаю, как все работает в условиях капот.
В дополнение к этому я хочу учиться/совершенствоваться в Rust. И судя по всему — ты тоже!
Моя цель — изучить rust и получить практическое представление о методах машинного обучения. Для этого я хочу..
Эволюция случайного рекурсивного дерева, часть 2 (машинное обучение)
Процесс роста-фрагментации-изоляции случайных рекурсивных деревьев и трассировки контактов (arXiv)
Автор: Винсент Бансай , Ченлинь Гу , Линлун Юань .
Абстрактный :
2. Закон MSO 0-1 для рекурсивных случайных деревьев.
(arXiv)
Автор : Ю. А. Малышкин , М. Е. Жуковский
Аннотация: Доказывается монадический закон второго порядка 0–1 для двух моделей рекурсивного дерева: однородного дерева прикрепления и дерева предпочтительного прикрепления. Мы также показываем, что закон..
Воскресный брифинг D4S № 55
Выпуск №55
Воскресный брифинг D4S № 55
Еженедельный информационный бюллетень с последними разработками в области науки о данных, машинного обучения и искусственного интеллекта.
14 июня 2020 г.
Дорогие друзья, Добро пожаловать на воскресный брифинг от 14 июня, где мы продолжаем празднование 1-й годовщины этого скромного информационного бюллетеня. На этой неделе мы продолжаем серию блогов о CoVID-19: CoVID-19: визуализация данных отдельных пациентов . В этом посте мы..
Приложения рекомендательных систем, часть 4 (искусственный интеллект)
Изучение причинно-следственной структуры с помощью системы рекомендаций (arXiv)
Автор: Шуюань Сюй , Да Сюй , Эврен Корпеоглу , Сушант Кумар , Стивен Го , Каннан Ачан , Юнфэн Чжан
Аннотация . Фундаментальной задачей рекомендательных систем (RS) является понимание причинно-следственной динамики, лежащей в основе принятия решений пользователями. Большая часть существующей литературы решает эту проблему, используя причинно-следственные структуры, выведенные из знаний..
Инновационные исследовательские работы на основе геометрического глубокого обучения, часть 1
Геометрическое глубокое обучение выявляет пространственно-временной отпечаток микроскопического движения ( arXiv )
Автор: Хесус Пинеда , Бенджамин Мидтведт , Харшит Бачиманчи , Серхио Ноэ , Даниэль Мидтведт , Джованни Вольпе , Карло Манцо
Аннотация: Характеристика динамических процессов в живых системах дает важные подсказки для их механистической интерпретации и связи с биологическими функциями. Благодаря недавним достижениям в методах микроскопии теперь можно..
