Публикации по теме 'deep-learning'
Прозрачность и управление в приложениях машинного обучения
Модели машинного обучения и, прежде всего, приложения глубокого обучения довольно часто называют инструментами «черного ящика». В машины поступает много входных данных. Данные пережевываются некоторое время. В итоге выдается результат, но не совсем понятно, как мы пришли именно к этому результату.
Почему модель оценки оценила квартиру в 345 000 евро, а другую — всего в 295 000 евро? Почему модель кредитного скоринга оценивала одного кандидата на получение кредита как потенциально..
Что такое глубокий поиск? Преимущества «глубокого поиска как услуги».
Что такое глубокий поиск?
Глубокий поиск — это усиление алгоритмов поиска с использованием глубокого обучения и НЛП для предоставления более точных и релевантных результатов. Обработка естественного языка (NLP) позволяет алгоритму преобразовать неструктурированные данные в сигналы данных, которые можно использовать для обучения. Глубокое обучение анализирует как структурированные данные, так и неструктурированные данные, чтобы предоставить пользователям результаты, которые понимают..
Достижения в области машинного обучения для оценки риска дефолта в банковском и финансовом секторе.
В последние годы мир финансов претерпел революцию благодаря стремительному развитию алгоритмов машинного обучения. Эти технологии позволяют банкам, финансовым учреждениям и страховым компаниям анализировать огромные объемы данных для более точного определения потенциальных рисков дефолта, чем когда-либо прежде. Давайте рассмотрим некоторые интересные достижения в этой области и их значение.
Одним из наиболее значительных достижений в области машинного обучения для сектора BFSI являются..
Работа со схемой JSON, часть 2
Закрытие отрицания для схемы JSON (arXiv)
Автор: Мохамед-Амин Баазизи , Дарио Колаццо , Джорджо Гелли , Карло Сартиани , Стефани Шерзингер .
Аннотация: Схема JSON — это развивающийся стандарт для описания семейств документов JSON. Это логический язык, основанный на наборе утверждений, описывающих свойства анализируемого значения JSON, а также на логических или структурных комбинаторах для этих утверждений, включая оператор отрицания. Большинство логических языков с отрицанием..
Как лучше всего изучить искусственный интеллект для начинающих? [Часть 2]
Очень человеческая хронология обучения искусственному интеллекту
С чего начать? От абсолютного новичка:
Отлично, вы с комфортом добрались до части 2. Здесь начинается настоящее учебное путешествие, но если вы пропустили часть 1, проверьте ее.
Прежде чем приступить к изучению искусственного интеллекта, убедитесь, что вы изучаете его небольшими шагами, не беритесь сначала за самое сложное . Если вы начнете с самого сложного, это будет намного проще. не разочаровываться и не..
Инновационное использование ChatGPT часть 1 (искусственный интеллект)
Распознавание клинических объектов Zero-shot с использованием ChatGPT (arXiv)
Автор: Янь Ху , Икра Амир , Сюй Цзо , Сюэцин Пэн , Юцзя Чжоу , Зэхан Ли , Имин Ли , Цзянфу Ли , Сяоцянь Цзян , Хуа Сюй . »
Аннотация: В этом исследовании мы исследовали потенциал ChatGPT, большой языковой модели, разработанной OpenAI, для клинической задачи распознавания именованных объектов, определенной в вызове i2b2 2010 года, в условиях нулевого выстрела с двумя различными стратегиями..
Упростите рабочий процесс: загрузка изображений RAW в тензоры PyTorch стала проще
Этот пост в блоге поможет вам упростить процесс загрузки изображений RAW в PyTorch Tensors.
С помощью пошаговых инструкций вы узнаете, как преобразовать данные RAW в тензор PyTorch, которым можно манипулировать и анализировать для извлечения значимой информации.
Независимо от того, являетесь ли вы специалистом по данным, специалистом по машинному обучению или только начинаете работать с PyTorch, это руководство поможет вам легко и уверенно загружать изображения RAW, делая вашу работу..
