Публикации по теме deep-learning

Публикации по теме 'deep-learning'

Поведение моделей BERT, часть 4 (машинное обучение + НЛП)

Может ли BERT есть RuCoLA? Топологический анализ данных для объяснения (arXiv) Автор : Ирина Проскурина , Ирина Пионтковская , Екатерина Артемова . Аннотация: В этой статье исследуется, как языковые модели Transformer (LM), настроенные для классификации приемлемости, фиксируют лингвистические особенности. Наш подход использует лучшие практики топологического анализа данных (TDA) в НЛП: мы строим графы направленного внимания из матриц внимания, извлекаем из них топологические..

Магия машинного обучения?

Машинное обучение - не панацея. Столкнувшись с проблемой с огромным объемом данных , первое, что нужно сделать, - это потратить некоторое время, чтобы глубоко понять масштаб проблемы и то, что на самом деле содержится в данных. Модель Машинного обучения - мощный инструмент, который поможет вам решить проблему, но редко дает ответ. Во многих случаях решение, основанное только на чистом машинном обучении, терпит неудачу. В этой статье мы покажем некоторые методы моделирования проблемы,..

Последние обновления по добавочному обучению, часть 5 (машинное обучение)

Основы поэтапного обучения Что такое добавочное обучение?: Объяснение терминов ИИ — ИИ для всех Дополнительное обучение — это метод обучения систем искусственного интеллекта (ИИ), при котором новые данные постепенно… www.aiforanyone.org eTag: Инкрементальное обучение в классах со встроенной дистилляцией и генерацией, ориентированной на задачу (arXiv) Автор: Либо Хуан , Ян Цзэн , Чуангуан Ян , Чжулинь Ань , Боюй Дяо , Юнцзюнь Сюй..

Граф сверточной нейронной сети

За кулисами — с нулевой математикой Во многих аспектах повседневной жизни, таких как социальные сети, химические соединения, сети и т. д., у нас есть данные в формате графиков. И на первый взгляд сложно подобрать что-то существенное. Теперь на сцену выходит ИИ. Основным инструментом для обработки графических данных и выполнения классификации, группировки или регрессии является сверточная нейронная сеть графов (GCNN). Среди прочего, у нас есть возможность классифицировать графы, узлы..

Глава 2: Самоуправляемый автомобиль, расширенный поиск полосы движения [Теория + Python Tutoriel]

Мы начали наше путешествие с первой главы Глава 1 », которая была основным упражнением. В этой главе мы перейдем к чему-то более сложному, но перед этим немного теории. В конце этой статьи вы найдете ссылку на проект на Github и видео с результатами. Урок 1: Калибровка камеры Искажение Искажение изображения происходит, когда камера смотрит на трехмерные объекты в реальном мире и преобразует их в двухмерное изображение; это преобразование несовершенно. Искажение..

Новое исследование иерархической кластеризации, часть 1 (алгоритмы)

Иерархическая кластеризация на основе трансформаторов для анализа сети мозга (arXiv) Автор: Вэй Дай , Хэцзе Цуй , Сюань Кань , Ин Го , Санне ван Ройдж , Карл Ян . Резюме: Сети мозга, графические модели, такие как модели, построенные на основе МРТ, широко используются для прогнозирования патологических процессов и анализа функций мозга. В сложной мозговой системе различия в силе нейронных связей делят мозг на различные функциональные модули (сетевые сообщества), которые имеют..

Огромный аппетит ИИ к вычислительной мощности и его преобразующий характер для экосистемы

Чтобы лучше понять, что сейчас происходит в экосистеме ИИ и как рынок ИИ продолжает развиваться, важно понять огромный аппетит ИИ к вычислительной мощности . 👇 📈 С 2010 года требуемая вычислительная мощность для обучения современной (SotA) модели машинного обучения удваивалась каждые шесть месяцев . [1] Другими словами, для обучения модели SotA ML сегодня требуется в 8 000 000 раз больше вычислительной мощности по сравнению с 2010 годом! Этот быстрый рост спроса на вычислительную..