Публикации по теме 'deep-learning'
Последние разработки, связанные с моделями BERT в 2023 году, часть 4 (искусственный интеллект)
Что BERT узнает о просодии? (arXiv)
Автор: Софоклис Какурос , Джоанна О’Махони .
Аннотация: Языковые модели стали почти повсеместными в приложениях для обработки естественного языка, достигая самых современных результатов во многих задачах, включая просодию. Поскольку дизайн модели не определяет заранее определенные лингвистические цели во время обучения, а скорее направлен на изучение обобщенных представлений языка, анализ и интерпретация представлений, которые неявно захватывают..
ConvNet: «модернизированный» ResNet для 2020-х годов
Здравствуйте, этот блог представляет собой обзор документов, в котором я делюсь своими заметками о «Конвнете для 2020-х годов». Хотя я переместил темы своих блогов с обзоров отдельных статей на обобщение нескольких статей, я думаю, что эта статья заслуживает отдельного блога, так как я нашел ее проницательной.
Как вы, возможно, заметили, «ревущие 20-е» визуального распознавания начались с введения Vision Transformers (ViTs), которые быстро вытеснили ConvNets в качестве современной модели..
Обновления по выпуклой минимизации, часть 2 (машинное обучение)
Линейный поиск для выпуклой минимизации (arXiv)
Автор : Лоран Орсо , Маркус Хаттер
Аннотация: Поиск золотого сечения и поиск пополам являются двумя основными принципиальными алгоритмами одномерной минимизации квазивыпуклых (унимодальных) функций. Первый использует только запросы функций, а второй также использует запросы градиента. Другие алгоритмы существуют при гораздо более строгих предположениях, например метод Ньютона. Однако, насколько нам известно, не существует..
Некоторые из любимых интервью Никиты RE•WORK за 2016 год
Это был еще один напряженный год для RE•WORK! Мы расширились до новых тем, включая машинный интеллект, виртуальные помощники, глубокое обучение в здравоохранении и глубокое обучение в финансах, в таких местах, как Сингапур, Нью-Йорк и Берлин, и мы с нетерпением ждем новых интересных разработок в области искусственного интеллекта в нашем 2017 событий в году впереди!
У меня была возможность оглянуться назад на нашу серию выступлений спикеров за последний год, и я отметил некоторые из..
Введение в PyTorch: от цикла обучения к прогнозированию
Введение в цикл обучения PyTorch и общий подход к более крутой кривой начального обучения библиотеке
В этом посте мы расскажем, как реализовать модель логистической регрессии с использованием PyTorch в Python.
PyTorch — одна из самых известных и используемых платформ глубокого обучения в мире специалистов по обработке и анализу данных и инженеров по машинному обучению, поэтому изучение этого инструмента становится важным шагом на вашем пути обучения, если вы хотите построить..
Мера изменчивости
Термины «мера изменчивости» и «мера дисперсии» используются в статистике взаимозаменяемо. Оба они относятся к одному и тому же понятию, которое определяет количественную оценку разброса или рассеяния точек данных в наборе данных.
Меры изменчивости или дисперсии предоставляют информацию о том, как точки данных распределяются вокруг центральной меры тенденции (такой как среднее значение, медиана или мода), и указывают на разброс или степень, в которой значения отклоняются от центрального..
Обнаружение объектов с помощью yolov5
Одной из захватывающих концепций, которыми я восхищаюсь, является обнаружение объектов. Компьютер, который можно научить обнаруживать объект, — это не только красивое устройство, но и интересный процесс сборки. Создание собственного детектора объектов и игра с алгоритмами обнаружения объектов намного интереснее, чем вы думаете (а также проекты, включающие обнаружение объектов и компьютерное зрение, также могут пригодиться для вашего резюме). В этой статье я объясню пошаговое руководство по..
