Публикации по теме 'deep-learning'
ПРОЕКТ: Трансферное обучение для классификации колоректальной гистологии
Обзор
Колоректальный рак является видным глобальным злокачественным заболеванием, что требует превентивных диагностических мер для повышения выживаемости пациентов. Краеугольным камнем диагностики является гистопатологическое исследование образцов тканей. Гистологические слайды дают полное представление о микроархитектуре тканей, позволяя анализировать критические морфологические признаки, необходимые для точной диагностики и классификации рака. Однако, несмотря на свою клиническую..
10 интересных проектов глубокого обучения для начинающих
Глубокое обучение — это область машинного обучения, которая использует искусственные нейронные сети для моделирования и решения сложных задач. Он показал впечатляющие результаты в различных областях, включая компьютерное зрение, обработку естественного языка и распознавание речи. Если вы новичок в глубоком обучении, поиск хорошего проекта для работы может стать отличным способом приобрести необходимые навыки и получить практический опыт. В этом сообщении блога мы обсудим десять интересных..
Понимание динамической деформации времени (информатика)
Динамическое искажение времени в сильно субквадратичном времени: алгоритмы для режима малых расстояний и приближенная оценка ( arXiv )
Автор: Уильям Кусмаул
Аннотация . Динамическое расстояние искривления времени (DTW) — это широко используемый показатель расстояния между временными рядами. Наиболее известные алгоритмы вычисления DTW работают почти за квадратичное время, а условные нижние границы запрещают существование значительно более быстрых алгоритмов. Однако нижние..
Понимание TF-IDF: традиционный подход к извлечению признаков в НЛП
Изучите основы TF-IDF и как реализовать его с нуля на Python.
Введение
Извлечение признаков — важный начальный шаг в НЛП , который включает преобразование текстовых данных в математическое представление, часто в виде векторов, известных как встраивания слов . Существуют различные подходы к встраиванию слов, начиная от классических подходов, таких как word2vec и GloVe , до более современных, таких как встраивания BERT . Хотя сегодня в области НЛП преобладают встраивания на..
Начало работы с обучением с подкреплением - крестики-нолики
Реализация простой модели обучения с подкреплением с двумя агентами
Представьте, что вы пытаетесь максимизировать свою повседневную продуктивность, выбирая набор занятий (учеба, переедание, мечтания). Здесь вы - агент , пытающийся максимизировать вознаграждение (т. Е. Продуктивность), выбирая подмножество вероятных действий. Каждое действие, которое вы выберете, приведет вас в новое состояние (например, если вы выберете разгул, а не тренировку своей модели RL, это повлияет на ваше..
Как далеко мы продвинулись с нейроморфными вычислениями в 2023 году, часть 7
Фотонные нейронные сети с высокоэффективными протоколами обучения для сверхбыстрых нейроморфных вычислительных систем (arXiv)
Автор: Дафидд Оуэн-Ньюнс , Джошуа Робертсон , Матей Хейда , Антонио Уртадо .
Аннотация: Фотонные технологии открывают большие перспективы для новых сверхбыстрых, энергоэффективных и дружественных к оборудованию нейроморфных (подобных мозгу) вычислительных платформ. Кроме того, особый интерес представляют нейроморфные фотонные подходы, основанные на..
Случаи использования границ ошибок обобщения в машинном обучении, часть 7.
Границы ошибки обобщения для алгоритмов итеративного восстановления, развернутых как нейронные сети (arXiv)
Автор: Эккехард Шнор , Араш Бехбуди , Хольгер Раухут .
Аннотация: Руководствуясь изученным итеративным алгоритмом мягкой пороговой обработки (LISTA), мы представляем общий класс нейронных сетей, подходящих для разреженной реконструкции на основе нескольких линейных измерений. Предоставляя широкий диапазон степеней распределения веса между слоями, мы обеспечиваем..
