Публикации по теме deep-learning

Публикации по теме 'deep-learning'

Работа с гиперболическими поверхностями в машинном обучении, часть 1

Фурье-распад состояний равновесия на гиперболических поверхностях (arXiv) Автор : Гаэтан Леклерк Аннотация: Пусть Γ — (выпукло-)кокомпактная группа изометрий гиперболического пространства Hd, M:=Hd/Γ — связанное с ней гиперболическое многообразие, и рассмотрим вещественнозначный потенциал F на его единичном касательном расслоении T1M. При естественном условии регулярности на F мы доказываем, что ассоциированные (Γ,F)-плотности Паттерсона-Салливана являются стационарными мерами с..

Наука о данных: пошаговое руководство по обучению модели в Keras

Keras — мощный инструмент для построения моделей машинного обучения. В этом руководстве мы покажем вам, как обучить модель в Keras и оптимизировать ее для повышения производительности. Во-первых, давайте установим Keras и другие зависимости. Нам понадобится бэкэнд TensorFlow для Keras: $ pip install tensorflow $ pip install keras

PySyft - это платформа для обеспечения конфиденциальности моделей глубокого обучения.

Фреймворк использует дифференциальную конфиденциальность в моделях, построенных на PyTorch и TensorFlow. Доверие - ключевой фактор при внедрении приложений глубокого обучения. От обучения до оптимизации - жизненный цикл модели глубокого обучения связан с надежным обменом данными между различными сторонами. Эта динамика, безусловно, эффективна для лабораторной среды, но в результате уязвима для нескольких всевозможных атак на систему безопасности, которые манипулируют доверительными..

Периферийные вычисления: революция в обработке данных и ее роль в Интернете вещей (IoT):

Периферийные вычисления: революция в обработке данных и ее роль в Интернете вещей (IoT): Мир развивается головокружительными темпами, что требует большого количества домашней работы и большого количества физических ресурсов. Потребность в физических ресурсах сведена к минимуму с появлением Интернета вещей (IoT), но управление данными по-прежнему остается проблемой, поскольку Интернет вещей также увеличил количество битов данных, генерируемых каждую минуту. Но вопрос в том, смогут ли наши..

Как работают сверточные автоэнкодеры, часть 1 (искусственный интеллект)

1. Неконтролируемая сегментация данных биомедицинских гиперспектральных изображений: решение проблемы высокой размерности с помощью сверточных автоэнкодеров (arXiv) Автор: Киаран Скамья , Джаякрупакар Наллала , Чун-Чин Ван , Ханна Шеридан , Николас Стоун . Аннотация: информация о структуре и составе образцов биопсии может помочь в мониторинге и диагностике заболеваний. В принципе, это можно получить с помощью рамановских и инфракрасных (ИК) гиперспектральных изображений..

Что внутри ИИ? Основы машинного обучения и глубокого обучения

Что внутри ИИ? Основы машинного обучения и глубокого обучения Что вас действительно привлекает в ИИ? На что я получаю большинство ответов: «Насколько точны, насколько сложны и как чудесны результаты, которые дают нейронные сети, и их способность к обучению всегда внушают мне трепет». ИИ был горячей темой в течение значительного времени. Но для всех новичков это обычное дело, когда мы задаемся вопросом, как мне отправиться на проспект ИИ и каковы предпосылки для того, чтобы вы..

Работа с информационным синтезом, часть 2 (машинное обучение)

Слияние информации с помощью символической регрессии: учебное пособие в контексте здоровья человека (arXiv) Автор: Дженнифер Дж. Шнур , Нитеш В. Чавла . Аннотация: В этом учебном документе представлен общий обзор символической регрессии (SR) с особым акцентом на стандарты интерпретируемости. Мы утверждаем, что интерпретируемое моделирование, хотя его определение все еще оспаривается в литературе, является практическим способом поддержки оценки успешного слияния информации. Чтобы..