Публикации по теме 'ml-so-good'
Компьютерное зрение: как решить проблему дисбаланса классов в наборах данных изображений?
Вот 4 вещи, которые вы могли бы сделать, если бы у вас было 200 изображений собак и только 35 изображений кошек.
Если вы следили за моими предыдущими статьями, я показал, почему наборы данных реального мира всегда ошибочны и несовершенны, и сколько проблем возникнет, как только вы доберетесь до…
Как разговорный интеллект может принести пользу вашему бизнесу
В наши дни наши предприятия работают на виртуальных разговорах, и мы все собираем данные о разговорах. Но извлечь пользу из этих данных сложно, и именно поэтому так много компаний быстро внедряют технологические решения для анализа разговоров, чтобы получить представление об этих данных разговоров.
Если вы еще не вложили средства в платформу анализа разговоров, самое время сделать ее частью вашего технического стека. Поскольку анализ этих разговоров становится все более важным для..
Компьютерное зрение — Unet
Сегодня поговорим об известной сверточной сетевой архитектуре под названием Unet. Его название основано на его форме, которую мы увидим позже. Этот пост будет в большей степени ориентироваться на оригинальную статью, которую можно найти здесь .
Семантическая сегментация
Мотивом использования сверточных слоев является инвариантность к локальному переводу, когда нас больше заботит наличие объекта, а не его точное местоположение.
Когда вы впервые начинаете со сверточных нейронных сетей,..
Кривая приемно-операционной характеристики (ROC): пошаговое объяснение
Рабочие характеристики приемника (ROC) — это графический график, используемый для описания диагностических возможностей бинарного классификатора. Он широко используется во многих областях, от научных исследований до промышленных применений, а также в военных целях. Кривая ROC также является стандартным инструментом в статистике и машинном обучении для оценки производительности модели. Он в основном используется для количественной оценки способности бинарного классификатора посредством..
3 архитектуры LLM
Преобразователи составляют основу революционных больших языковых моделей.
В то время как LLM, такие как GPT4 , llama2 и Falcon , кажется, отлично справляются с различными задачами, производительность LLM в конкретной задаче является прямым результатом базовой архитектуры.
Существует три варианта архитектуры трансформатора, которые питают разные LLM.
1️⃣ Автоэнкодеры — в автоэнкодерах декодерная часть преобразователя отбрасывается после предварительного обучения, и для..
Использование моделирования глубокого обучения для прогнозирования потребления электроэнергии — Часть 1
Демонстрация возможностей моделей глубокого обучения, используемых во временных рядах, по сравнению с предыдущими моделями машинного обучения.
Прогнозирование временных рядов может происходить, когда научные прогнозы основаны на исторических данных с отметками времени. Это включает в себя построение моделей посредством исторического анализа и их использование для наблюдений и принятия будущих стратегических решений.
Мы живем в эпоху, когда сохранение энергии и использование..
Введение в уровень зрелости MLOps
Обзор
MLOps – это инженерная культура и практика машинного обучения (ML), целью которой является унификация разработки системы ML (Dev) и эксплуатации системы ML (Ops). Это применение практики DevOps в области машинного обучения. Практика MLOps означает, что мы выступаем за автоматизацию и мониторинг на всех этапах создания системы машинного обучения, включая интеграцию, тестирование, выпуск, развертывание и управление инфраструктурой.
Несколько цитат, чтобы лучше понять MLOps:..
