Публикации по теме 'neural-networks'


Классификация пород собак с использованием сверточных нейронных сетей
Существует более 100 различных пород собак. Каждый со своими уникальными особенностями и профилями. Вам может быть интересно, можете ли вы идентифицировать каждую породу собак, которую видите? Ну, можешь? Вероятно, нет, но в наши дни вы будете удивлены, насколько хорошо нейронные сети могут выполнять работу по обнаружению этих пород собак. Однако насколько хорошо машинное обучение и нейронные сети позволяют идентифицировать породы собак? Что ж, будем разбираться в этом блоге. В..
Flux.jl на MNIST — Вариации темы
Flux.jl на MNIST — Вариации на тему Flux.jl — это стек машинного обучения, предлагающий легкие компоненты для создания моделей и их обучения. Используя набор данных MNIST, мы увидим, как легко создавать различные подходы для классификации этого набора данных, просто соединяя такие компоненты вместе. Обзор Flux.jl Flux.jl — это пакет, написанный на 100% Юлией. Он нацелен на построение моделей, которые обычно обучаются с использованием итеративного подхода, основанного на..
Искусственный идеал искусственного интеллекта
Как человек, который использует методы «искусственного интеллекта» в своей творческой работе, я чувствую необходимость написать документ, который четко определяет мой идеал, когда дело доходит до создания искусства с использованием «ИИ». (обратите внимание, что большая часть этой статьи написана месяц назад, все быстро меняется, но я думаю, что основная мысль, которую я изложил здесь, остается в силе.) Быстрый фон Я рисую и рисую сколько себя помню. Я копил несколько месяцев, чтобы..
DensePose от CMU из WiFi: доступный, доступный и безопасный подход к человеческому зондированию
Недавнее и быстрое развитие мощных моделей машинного обучения для компьютерного зрения повысило производительность оценки позы человека в 2D и 3D с помощью камер RGB, LiDAR и радаров. Однако эти подходы могут потребовать дорогостоящего и энергоемкого оборудования и вызывают опасения по поводу конфиденциальности в связи с их развертыванием в закрытых помещениях.
Что такое глубокое обучение?
Что такое глубокое обучение? Глубокое обучение — это область машинного обучения, целью которой является решение сложных задач с использованием искусственных нейронных сетей и больших наборов данных. Имитируя работу человеческого мозга, его многослойная структура обеспечивает более эффективные результаты. Эта технология используется во многих областях, таких как автономное вождение, распознавание изображений и речи, обработка естественного языка, системы рекомендаций, финансовый анализ..
Все, что вам нужно знать о распределенном обучении и его часто невыразимых нюансах
Понимание параллелизма данных и параллелизма моделей, их возможностей и их криптонита Идея разделения частей работы для получения исключительных результатов за короткий промежуток времени и, таким образом, снижения общей нагрузки, как раз и является сутью нашей темы под названием «Распределенное обучение», которая привела к очень интересным исследованиям в области машинного обучения. обучение продвигает наши технологии еще на один шаг вперед. Введение в распределенное обучение..
Как наука о данных может улучшить рентгенологию и компьютерную томографию с помощью машинного обучения в визуализации
Сценарист: Габриэль Виейра Эквитц Предисловие Рентгеновские лучи и компьютерная томография* широко используются в радиологии, наиболее известной из которых является медицинская визуализация в современной медицине. Самая большая разница между этими двумя технологиями заключается в том, что рентгеновские лучи создают 2-мерные изображения, а компьютерная томография создает 3D-изображения. Хотя такие медицинские изображения могут интерпретироваться людьми, машинное обучение может помочь..