Թեմայի վերաբերյալ հրապարակումներ 'deep-learning'
Ինչպես երկրաչափական խորը ուսուցումը ձևավորեց մաս 2-ը (մեքենայական ուսուցում)
Երկրաչափական խորը ուսուցում մոլեկուլային բյուրեղների կառուցվածքի կանխատեսման համար (arXiv)
Հեղինակ՝ Մայքլ Քիլգուր , Ջուտտա Ռոգալ , Մարկ Թաքերման
Վերացական. Մենք մշակում և փորձարկում ենք մեքենայական ուսուցման նոր ռազմավարություններ՝ մոլեկուլային բյուրեղների կառուցվածքի դասակարգման և բյուրեղային հատկությունների կանխատեսման արագացման համար՝ օգտագործելով մոլեկուլային գրաֆիկների վրա երկրաչափական խորը ուսուցման գործիքները: Օգտագործելով գրաֆիկների վրա հիմնված ուսուցման զարգացումները և մեծ..
[PR113] D2. Հանգիստ Softmax
Բնօրինակ թուղթ. Relaxed Softmax. Efficient Confidence Auto-calibration for Safe Biedest Detection
Սեփական կանխատեսումների հուսալիության ճշգրիտ գնահատումը կարևոր է անվտանգության համար կարևոր կիրառությունների համար, բայց DL-ը կարծես թե դա չի ընդունում: Softmax արտադրանքը լավ չի արտացոլում մոդելի վստահությունը: Պատճառ? Հավանաբար, չափից ավելի հարմարեցում և անբավարար տեղադրում: Գուցե նույնիսկ երկուսն էլ միասին.
2. Հանգիստ softmax-ը հիմնականում սովորում է Ջերմաստիճանի սանդղակ (TS)..
Հետևեք և կազմակերպեք ձեր ML նախագծերը
Կազմակերպեք աշխատանքը, հետևեք և պատկերացրեք փորձերը Neptune.ai-ի հետ
Ամեն անգամ, երբ ես սկսում եմ նոր նախագիծ, որը կպահանջի հարյուրավոր փորձեր կատարել, փորձերի հետագծման գործիքների հետ ինտեգրումն առաջին բանն է, որ ավելացնում եմ իմ կոդը: Նման գործիքները կարող են շատ ավելին անել, քան չափումների վիզուալացումը և յուրաքանչյուր գործարկման հիպերպարամետրերի պահպանումը: Այս գրառման մեջ ես ներկայացնում և նկարագրում եմ Neptune գործիքը, որը ես օգտագործել եմ իմ վերջին նախագծերի համար:
Փորձարկել..
Եղանակի կանխատեսման տեխնոլոգիայի վերջին հետազոտությունը մաս 5 (մեքենայական ուսուցում)
Լրիվ սկավառակի և ակտիվ տարածաշրջանի վրա հիմնված բռնկման կանխատեսման միացման ուղղությամբ՝ օպերատիվ տարածության եղանակի կանխատեսման համար (arXiv)
Հեղինակ՝ Չեթրաջ Պանդեյ , Անլի Ջի , Ռաֆալ Ա. Անգրիկ , Մանոլիս Կ. Գեորգուլիս , Բերքայ Այդին
Համառոտ. Արևի բռնկման կանխատեսումը տիեզերական եղանակի կանխատեսման կենտրոնական խնդիր է և գրավել է հետազոտողների լայն սպեկտրի ուշադրությունը թե՛ հեռահար զոնդավորման, թե՛ մեքենայական ուսուցման և խորը ուսուցման մոտեցումների վերջին առաջընթացների շնորհիվ:..
Նորարարական հետազոտական աշխատանքներ ալգորիթմական հիմնավորման տիրույթում
CLRS ալգորիթմական հիմնավորման հենանիշ ( arXiv )
Հեղինակ՝ Պետար Վելիչկովիչ , Ադրիա Պուչդոմենեխ Բադիա , Դեյվիդ Բադեն , Ռազվան Պասկանու , Անդրեա Բանինո , Միշա Դաշևսկի , Ռայա Հադսել , Չարլզ Բլանդել
Վերացական . Ալգորիթմների ուսուցման ներկայացումը մեքենայական ուսուցման նոր ոլորտ է, որը ձգտում է կամրջել նեյրոնային ցանցերի հասկացությունները դասական ալգորիթմներով: Մի քանի կարևոր աշխատանքներ ուսումնասիրել են, թե արդյոք նեյրոնային ցանցերը կարող են արդյունավետ կերպով հիմնավորել..
Ինչպես է օգտագործվում առավելագույն հավանականության գնահատումը մաս 5 (Մեքենայի ուսուցում)
Հիմնական բաղադրիչի վերլուծության միջոցով խոշոր մոտավոր դինամիկ գործոնների մոդելների գնահատման և եզրակացության մասին և դրա համարժեքությունը քվազի առավելագույն հավանականության գնահատման հետ (arXiv)
Հեղինակ՝ Մատտեո Բարիգոցի
Համառոտագիր. Մենք տրամադրում ենք ասիմպտոտիկ արդյունքների այլընտրանքային ածանցում մեծ մոտավոր գործոնային մոդելի Հիմնական բաղադրիչների գնահատողի համար և ապացուցում ենք, որ բեռնումների ստացված գնահատիչը ասիմպտոտիկորեն համարժեք է իրենց Քվազի առավելագույն հավանականության..
Աշխատում է Markov Chain Monte Carlo part3-ի հետ (Մեքենայի ուսուցում + վիճակագրություն)
Մարկովյան շղթայի Մոնտե-Կառլոյի ընդլայնված վարիացիոն քվանտային ալգորիթմներ (arXiv)
Հեղինակ՝ Taylor L. Patti , Omar Shehab , Khadijeh Najafi , Susanne F. Yelin
Վերացական. Վարիացիոն քվանտային ալգորիթմները կարող են զգալի ազդեցություն ունենալ բարձրաչափ օպտիմիզացիայի վրա՝ կիրառելով դասական կոմբինատորիկայի, քվանտային քիմիայի և խտացված նյութի մեջ: Այնուամենայնիվ, այս ալգորիթմների օպտիմալացման լանդշաֆտը հիմնականում ոչ ուռուցիկ է, ինչը հանգեցնում է ոչ օպտիմալ լուծումների՝ տեղական, այլ..
Նոր նյութեր
Օգտագործելով Fetch Vs Axios.Js-ը՝ HTTP հարցումներ կատարելու համար
JavaScript-ը կարող է ցանցային հարցումներ ուղարկել սերվեր և բեռնել նոր տեղեկատվություն, երբ դա անհրաժեշտ լինի: Օրինակ, մենք կարող ենք օգտագործել ցանցային հարցումը պատվեր ներկայացնելու,..
Տիրապետել հանգստության արվեստին. մշակողի ուղեցույց՝ ճնշման տակ ծաղկելու համար
Տիրապետել հանգստության արվեստին. մշակողի ուղեցույց՝ ճնշման տակ ծաղկելու համար
Ինչպե՞ս հանգստացնել ձեր միտքը և աշխատեցնել ձեր պրոցեսորը:
Ինչպես մնալ հանգիստ և զարգանալ ճնշման տակ...
Մեքենայի ուսուցում բանկային և ֆինանսների ոլորտում
Բարդ, խելացի անվտանգության համակարգերը և հաճախորդների սպասարկման պարզեցված ծառայությունները բիզնեսի հաջողության բանալին են: Ֆինանսական հաստատությունները, մասնավորապես, պետք է առաջ մնան կորի..
Ես AI-ին հարցրի կյանքի իմաստը, այն ինչ ասում էր, ցնցող էր:
Այն պահից ի վեր, երբ ես իմացա Արհեստական ինտելեկտի մասին, ես հիացած էի այն բանով, թե ինչպես է այն կարողանում հասկանալ մարդկային նորմալ տեքստը, և այն կարող է առաջացնել իր սեփական արձագանքը դրա..
Ինչպես սովորել կոդավորումը Python-ում վագրի պես:
Սովորելու համար ծրագրավորման նոր լեզու ընտրելը բարդ է: Անկախ նրանից, թե դուք սկսնակ եք, թե առաջադեմ, դա օգնում է իմանալ, թե ինչ թեմաներ պետք է սովորել: Ծրագրավորման լեզվի հիմունքները, դրա..
C++-ի օրական բիթ(ե) | Ամենաերկար պալինդրոմային ենթաշարը
C++ #198-ի ամենօրյա բիթ(ե), Ընդհանուր հարցազրույցի խնդիր. Ամենաերկար պալինդրոմային ենթատող:
Այսօր մենք կանդրադառնանք հարցազրույցի ընդհանուր խնդրին. Ամենաերկար palindromic substring...
Kydavra ICAReducer՝ ձեր տվյալների ծավալայինությունը նվազեցնելու համար
Ի՞նչ է ICAReducer-ը:
ICAReducer-ն աշխատում է հետևյալ կերպ. այն նվազեցնում է նրանց միջև բարձր փոխկապակցված հատկանիշները մինչև մեկ սյունակ: Բավականին նման է PCAreducer-ին, չնայած այն..