Публикации по теме 'deep-learning'
Механизмы контекстных рекомендаций — Часть 2
Это продолжение статьи о системах контекстных рекомендаций. В предыдущем посте мы обсудили теорию различных подходов к рекомендации песен для плейлиста. Этот пост посвящен представлению очистки и исследовательского анализа данных, выполненному на основе данных, реализации ранее обсуждавшихся подходов и сравнению производительности по показателям оценки.
Обработка и очистка данных
Датасет, предоставленный на конкурс, насчитывает более 2 миллионов уникальных треков, 1 миллион..
Как работает маскированное моделирование, часть 1 (машинное обучение)
Захват темы с помощью моделирования маскированного языка (arXiv)
Автор: Сяобо Го , Вэйчэн Ма , Соруш Восуги .
Аннотация: Дифференциальное формулирование проблем может привести к расхождению мировоззрений по важным вопросам. Это особенно верно в тех областях, где представленная информация может быть доступна широкой аудитории, например, в традиционных и социальных сетях. Масштабируемое и надежное измерение такого дифференциального кадрирования является важным первым шагом в их..
WhenDone: библиотека Python, чтобы сообщить вам, когда ваша функция будет выполнена!
WhenDone сообщит вам через Slack и/или Telegram, когда ваша функция будет выполнена!
Часто при работе с машинным обучением для обучения модели может потребоваться некоторое время. Чтобы упростить задачу, я создал эту библиотеку, которая будет уведомлять вас о выполнении вашей функции или о возникновении исключения. Сама библиотека говорит сама за себя, я объясню более подробно в этой статье.
Зачем использовать WhenDone?
Преимущество этой библиотеки заключается в том, что она уведомит..
[ML] CNN: эквивалентность и инвариантность перевода
TL;DR
Оператор свертки является эквивалентом трансляции, что означает, что он сохраняет трансляции, однако обработка CNN позволяет обеспечить инвариантность трансляции, которая достигается посредством надлежащего (т.е. связанного с пространственными характеристиками) уменьшения размерности.
Полная версия
Операторы вычисления представления позволяют переходить из пространства ввода (например, необработанного изображения) в пространство функций.
Так, например, каков эффект..
Варианты использования перекрестной проверки, часть 5 (машинное обучение)
Неравенства концентраций для перекрестной проверки с исключением одного (arXiv)
Автор: Бенни Авелин , Лаури Вийтасаари .
Аннотация: В этой статье мы доказываем, что стабильности оценщика достаточно, чтобы показать, что перекрестная проверка с исключением по одному является надежной процедурой, путем предоставления границ концентрации в общей структуре. В частности, мы предоставляем границы концентрации за пределами допущений о непрерывности Липшица для потерь или для оценки. Чтобы..
Интерпретируемость моделей глубокого обучения
Интерпретируемость моделей глубоких нейронных сетей (DNN) всегда была ограничивающим фактором для случаев использования, требующих объяснения функций, задействованных в моделировании, и это имеет место во многих отраслях, таких как финансовые услуги. Финансовые учреждения, в силу регулирования или по собственному выбору, предпочитают структурные модели, которые легко интерпретируются людьми, поэтому модели глубокого обучения в этих отраслях медленно внедряются. Примером критического..
Распознавание человеческих действий в видео
Как мы заняли третье место в ActivityNet Challenge в 2017 году.
Недавно мы заняли третье место в категории распознавания усеченных действий в ActivityNet Challenge , проводившемся в качестве семинара на CVPR 2017. Набор данных для этой категории, Kinetics , был выпущен Google DeepMind. Задача состоит в том, чтобы распознать действия в обрезанных видеопоследовательностях, где каждое видео содержит одно действие (метку) длительностью не более 10 секунд. Всего около 300 000 видео по..