Публикации по теме 'deep-learning'
Почему создание собственного компьютера для глубокого обучения в 10 раз дешевле, чем AWS
Обновлено 11.12.2019
Если вы использовали или планируете использовать AWS / Azure / GCloud для машинного обучения, вы знаете, насколько дорого обходится время графического процессора. А включение и выключение машин - серьезное нарушение рабочего процесса. Есть способ получше. Просто создайте свой собственный компьютер для глубокого обучения. Это в 10 раз дешевле и проще в использовании. Рассмотрим подробнее ниже.
Это часть 1 из 3 серии статей о компьютерах с глубоким..
Исследования на основе персептронов, часть 1 (машинное обучение)
Основы персептрона
Персептроны Персептрон — это искусственный нейрон. Это простейшая из возможных нейронных сетей. Нейронные сети — это строительные блоки… www.w3schools.com
Преимущественная интерпретация многослойных персептронов в условной логике с типичностью (arXiv)
Автор: Марио Альвиано , Франческо Бартоли , Марко Ботта , Роберто Эспозито , Лаура Джордано , Даниэле Тайдер Дюпре .
Аннотация: В этой статье мы исследуем..
Esri и Microsoft присоединяются к Калифорнийскому университету в Сан-Диего, преподают практическую науку о геопространственных данных и глубокое обучение
Esri и Microsoft присоединяются к Калифорнийскому университету в Сан-Диего, преподают практическую науку о геопространственных данных и глубокое обучение
В апреле - мае 2019 года Калифорнийский университет в Сан-Диего, Esri и Microsoft объединили свои усилия в преподавании курса DSC 170 - Наука о пространственных данных в кампусе Ла-Хойя под руководством Dr. Илья Заславский , директор лаборатории пространственных информационных систем Суперкомпьютерного центра Сан-Диего...
Работа с моделями ANOVA, часть 2 (машинное обучение)
Статистические аспекты SHAP: функциональный дисперсионный анализ для интерпретации модели (arXiv)
Автор : Эндрю Херрен , П. Ричард Хан
Аннотация: SHAP — это популярный метод измерения важности переменных в моделях машинного обучения. В этой статье мы изучаем алгоритм, используемый для оценки показателей SHAP, и обрисовываем его связь с функциональным разложением ANOVA. Мы используем эту связь, чтобы показать, что проблемы в приближениях SHAP в значительной степени связаны с..
Передовые методы анализа сложных временных рядов
Мы изучим новые алгоритмы, которые могут моделировать временные ряды с множественной сезонностью для прогнозирования и разложения временных рядов на различные компоненты.
Вы изучите следующие рецепты:
Разложение временных рядов с несколькими сезонными моделями с использованием MSTL Прогнозирование с использованием нескольких сезонных закономерностей с использованием Модели ненаблюдаемых компонентов (UCM) Прогнозирование временных рядов с несколькими сезонными закономерностями с..
Понимание концепции состязательных примеров, часть 4 (машинное обучение)
Негде спрятаться: легкий неконтролируемый детектор против враждебных примеров (arXiv)
Автор: Хуэй Лю , Бо Чжао , Кехуан Чжан , Пэн Лю
Выдержка . Хотя глубокие нейронные сети (DNN) продемонстрировали впечатляющую производительность во многих задачах восприятия, они уязвимы для враждебных примеров, которые генерируются путем добавления незначительных, но злонамеренно созданных возмущений к безобидным изображениям. Обнаружение состязательности — важный метод выявления..
Классификация проектов по машинному обучению для начинающих
Классификация — одна из доминирующих проблем, которые люди решают в машинном обучении. Многие проблемы возникают в области машинного обучения, которая относится к этой области. Глубокие нейронные сети в основном решают такие проблемы, и было показано, что они работают значительно.
Мы рассмотрим четыре основных проекта по машинному обучению, которые должен решить каждый новичок, чтобы понять, как работают эти проблемы классификации. Это
Проблема классификации цветов ириса..
