Публикации по теме mnist

Публикации по теме 'mnist'

Логистическая регрессия с использованием Python (scikit-learn)

Если у вас уже установлена анаконда, переходите к следующему разделу. Я рекомендую установить anaconda (для этого урока лучше всего подходит Python 2 или 3), чтобы у вас не возникло проблем с импортом библиотек. Вы можете либо загрузить анаконду с официального сайта и установить самостоятельно, либо следовать этим руководствам по установке анаконды ниже, чтобы настроить анаконду в своей операционной системе. Установите Anaconda в Windows: Ссылка Установите Anaconda на Mac: Ссылка..

Глубокое обучение на Amazon Web Services (AWS)

На этом пути науки о данных и машинного обучения я начинаю связывать точки между различными инструментами и ресурсами, необходимыми в мире больших данных. Конвейер машинного обучения — это серия шагов, которые нужно выполнить для сбора, обработки, анализа и прогнозирования данных. Каждый шаг включает в себя использование определенных инструментов, предназначенных для конкретных задач в конвейере. Такие инструменты варьируются от языка программирования Python, библиотек научных..

Привет, мир компьютерного зрения: рукописная классификация цифр MNIST

В этой истории мы рассмотрим легендарный набор данных MNIST. Этот набор данных довольно популярен среди новичков в машинном обучении. Фактически, этот набор данных настолько популярен, что его часто называют «Привет, мир» машинного обучения или компьютерного зрения. Этот рассказ также даст представление о проблемах классификации в машинном обучении. В конце концов, вы сможете ответить на некоторые частые вопросы о том, как решать мультиклассовую классификацию? какие показатели..

Часть 2. Создание нейронной сети с помощью Tensorflow

Введение Этот материал является переписанным/повторным материалом, найденным на https://www.tensorflow.org/tutorials/keras/basic_classification . Если вы начинаете собирать сети, обучать/тестировать на выборочных наборах данных, то это хорошее место для начала. В этой статье не ожидайте теоретических описаний алгоритма классификации, вместо этого ожидайте, что сможете спроектировать и запустить нейронную сеть обратного распространения (или обратного распространения) с использованием..

GAN с Tensorflow: основы генеративных состязательных сетей

Машинное обучение обычно подразделяется на три типа: обучение с учителем, обучение без учителя и обучение с подкреплением. Понимание объектов - конечная цель обучения с учителем / без учителя. Мы можем классифицировать изображение, используя хорошо обученную модель дискриминатора на основе данных. Также мы можем создать образец изображения, используя хорошо обученную модель генератора. То, что я не могу создать, я не понимаю. -Ричард Фейнман Если я буду знать об этом, я смогу..

Мой взгляд на набор данных MNIST

Я хотел вернуться к классическому «Hello World» машинного обучения… классическому «MNIST Dataset». Краткое описание того, что включает в себя набор данных MNIST: Это набор классифицированных рукописных изображений в формате 28 x 28. 60 000 обучающих изображений 10000 тестовых изображений Короче говоря, мне удалось создать классификатор, который смог обнаружить набор тестов с точностью ~ 98% . Тренироваться на моем MacBook заняло минут двадцать. Задача под рукой Создайте CNN,..

Обучите собственный распознаватель рукописных цифр на C# .NET

Сверточные нейронные сети (CNN) — это современная современная архитектура модели для задач классификации изображений. CNN применяют серию фильтров к необработанным пиксельным данным изображения, чтобы извлечь и изучить функции более высокого уровня, которые модель затем может использовать для классификации. В этом посте мы возьмем очень распространенный пример CNN для распознавания рукописных цифр. Мы будем обучать модель глубокого обучения на C# и использовать эту обученную модель для..