Публикации по теме deep-learning

Публикации по теме 'deep-learning'

Анализ временных рядов с помощью Python

Анализ временных рядов состоит из использования наших существующих знаний о наборах данных для прогнозирования и выдвижения гипотез. Машинное обучение дает специалистам по данным возможность создавать убедительные рассказы о своих данных, используя инструменты, которыми они уже обладают. Пока они находятся на этапе обучения, он помогает им в разработке и тестировании их модели машинного обучения. Машинное обучение делает точные прогнозы с помощью алгоритмов и статистических моделей, а не..

Демистификация передачи нейронного стиля

вступление Сегодня мы обсудим интересное применение сверточных нейронных сетей (CNN), а именно перенос стиля. В контексте этой статьи, когда мы говорим о стиле, мы имеем в виду визуальный стиль. Считается нетривиальной задачей определить, что такое визуальный стиль. Тем не менее, можно легко уловить некоторую интуицию о стиле на примере. Представьте себе картину неба. В зависимости от «заданного» стиля этого простого изображения мы можем получить от него диаметрально..

Концепции и терминология искусственного интеллекта: глубокое обучение

Уважаемые читатели, добро пожаловать! Сегодня я собираюсь обсудить глубокое обучение, один из самых популярных терминов и концепций в области искусственного интеллекта. Вы можете задаться вопросом, что такое глубокое обучение. Это метод, позволяющий компьютерам учиться на данных без явных указаний, что делать. Это кажется волшебным, не так ли? Что ж, никакой магии здесь не требуется, просто умная арифметика и масса данных, так что не волнуйтесь. Глубокое обучение — это тип..

Работа с доверительными границами в машинном обучении, часть 5

Оптимальное сожаление достижимо с постоянной приблизительной ошибкой вывода: усовершенствованная байесовская структура верхней доверительной границы (arXiv) Автор: Цзыи Хуан , Генри Лам , Амирхоссейн Мейсами , Хаофэн Чжан . Аннотация: Алгоритмы байесовских бандитов с приближенным байесовским выводом широко используются в реальных приложениях. Однако существует большое расхождение между превосходными практическими характеристиками этих подходов и их теоретическим обоснованием...

Оптимизация моделей глубокого обучения/NLP для идентификации субъекта соответствия

Эта статья является продолжением предыдущей статьи, посвященной решениям Deep Learning и NLP для идентификации субъекта соответствия: https://medium.com/@sridhar.palle/deep-learning-nlp-solution-for-compliance-subject -identification-30d6992aaf90 Работа, описанная в предыдущей статье , а также в настоящей, касается наших автоматизированных решений для задачи идентификации субъекта комплаенс и является результатом нашего недавнего сотрудничества с партнером-клиентом в отрасли..

Последние обновления по прогнозированию эпидемий, часть 2

Включение рекомендаций экспертов в прогнозирование эпидемий (arXiv) Автор: Александр Родригес , Биджая Адхикари , Нарен Рамакришнан , Б. Адитья Пракаш Резюме: Прогнозирование гриппоподобных заболеваний (ГПЗ) в последние годы быстро превратилось из искусства в науку с использованием множества методов, основанных на данных. Несмотря на то, что эти методы достигли определенного успеха, их применимость ограничена из-за невозможности систематически включать отзывы и рекомендации..

Удивительные бесплатные общедоступные источники данных по машинному обучению и глубокому обучению на 2018 год

Эти общедоступные источники данных можно использовать для исследований в области машинного обучения и глубокого обучения. Наборы данных - неотъемлемая часть области машинного обучения. Поиск хорошего набора данных машинного обучения часто является самым большим препятствием, которое разработчик должен преодолеть, прежде чем начинать какой-либо проект в области науки о данных. Независимо от того, являетесь ли вы новичком в машинном обучении или профессиональным специалистом по..