Публикации по теме 'neural-networks'
Зона Златовласки: можете ли вы правильно разрабатывать нейронные сети?
Узнайте о том, как на практике можно создавать нейронные сети для конкретных приложений.
Глубокое обучение - это, мягко говоря, сложно. Множество структур и методов создания архитектур нейронных сетей почти исключают очень селективные задачи. В большинстве случаев стандартные модели просто не подойдут, так как же создать лучшую нейронную сеть?
На самом деле нет правильного ответа , но есть несколько общих правил, которые необходимо соблюдать, основанных на исследованиях в..
Почему в нейронной сети используется функция активации
Привет, Сегодня я собираюсь объяснить, почему мы используем функцию нелинейной активации в нейронной сети как математически, так и визуально. В следующей следующей серии блога я объясню, почему первый уровень скрытого состояния очень важен и почему мы только с использованием линейно разделимой нелинейной функции активации и Как мы можем приблизиться к нелинейно разделимой нелинейной функции активации в одном персептроне.
Начнем. Сначала мы должны знать, что происходит, когда мы выполняем..
Четыре распространенных типа слоев нейронной сети
(и когда их использовать)
Нейронные сети (NN) - это основа многих современных моделей машинного обучения (ML), которые слабо имитируют нейроны человеческого мозга для распознавания закономерностей из входных данных. В результате на протяжении многих лет было разработано множество типов топологий нейронных сетей, построенных с использованием различных типов слоев нейронных сетей.
А с сегодняшним огромным набором фреймворков и инструментов машинного обучения практически любой, кто хоть..
Глубокое обучение: самая быстрорастущая технология. в мире
Вы когда-нибудь задумывались, как машины ездят сами по себе? Вы когда-нибудь задумывались, как Siri/Cortana иногда саркастически реагируют на ваши команды? Что ж, все эти тестовые приложения имеют базовый алгоритм, встроенный в их системы, которые обучаются на человеческом поведении. Те, кто знаком с термином «искусственный интеллект», скажут, что алгоритмы, управляющие этими эталонными приложениями, — это алгоритмы «машинного обучения» и, в частности, алгоритмы «глубокого обучения»...
Прогнозирование цен на жилье с использованием глубокой нейронной сети: случай с бостонским набором данных
Введение
Несмотря на то, что я занимаюсь биологическими науками и генетическими исследованиями с несколькими публикациями , я работаю в ипотечной компании Freddie Mac уже более 5 лет в области данных, и поэтому я очень рад объединить эти две стороны моей работы. опыт в этой серии статей об анализе ипотечных данных с использованием методов науки о данных в Python с упором на нейронные сети.
Мы сосредоточимся на общедоступном наборе данных о жилье в Бостоне , который можно..
Выбор идеальной скорости обучения
При обучении модели «скорость обучения» часто считается наиболее важным гиперпараметром. Выбор оптимальной скорости обучения может значительно улучшить обучение нейронной сети и предотвратить любое странное поведение, которое может возникнуть во время стохастического градиентного спуска.
Почему важен выбор правильной скорости обучения?
Стохастический градиентный спуск (SGD) — это алгоритм оптимизации, который помогает функции потерь сходиться к глобальному минимуму или к самой низкой..
Оптимизация гиперпараметров с помощью Scikit-Learn, Scikit-Opt и Keras
Изучите практические способы оптимизации гиперпараметров вашей модели с помощью поиска по сетке, рандомизированного поиска и байесовской оптимизации.
Оптимизация гиперпараметров часто является одним из последних шагов в проекте по науке о данных. После того, как у вас будет короткий список многообещающих моделей, вы захотите настроить их так, чтобы они лучше работали с вашим конкретным набором данных.
В этом посте мы рассмотрим три метода, используемых для поиска оптимальных..
