Публикации по теме 'deep-learning'


Научные статьи о разработках в области линейной алгебры для искусственного интеллекта, часть 1
FastSTMF: эффективный алгоритм факторизации тропических матриц для разреженных данных ( arXiv ) Автор: Амра Оманович , Полона Облак , Томаж Цурк Аннотация . Матричная факторизация, один из самых популярных методов машинного обучения, недавно выиграла от введения нелинейности в задачах прогнозирования с использованием тропического полукольца. Нелинейность позволяет лучше подходить к экстремальным значениям и распределениям, тем самым обнаруживая модели с высокой дисперсией,..
Работа с байесовской CART, часть 1 (расширенная статистика)
Количественная оценка неопределенности для байесовской CART (arXiv) Автор : Исмаэль Кастильо , Вероника Рокова Аннотация: Эта работа дает новое понимание байесовской CART в контексте сжатия структурированных вейвлетов. Основная задача заключается в разработке формальной структуры вывода для байесовской древовидной регрессии. Мы переосмысливаем байесовскую CART как априорную модель g-типа, которая отличается от типичных априорных значений вейвлет-продукта за счет использования..
Понимание минимаксных проблем, часть 1 (машинное обучение)
Основные двойные чередующиеся проксимальные градиентные алгоритмы для негладких невыпуклых минимаксных задач со связанными линейными ограничениями (arXiv) Автор: Хуилин Чжан , Джунлинь Ван , Цзы Сюй , Ю-Хонг Дай . Аннотация: В последние годы невыпуклые минимаксные задачи привлекают широкое внимание в машинном обучении, обработке сигналов и многих других областях. В этой статье мы предлагаем алгоритм прямого двойного знакопеременного проксимального градиента (PDAPG) и алгоритм..
Инновации в контексте обучения, часть 4 (машинное обучение)
Начало работы с контекстным обучением Как работает контекстное обучение? Структура для понимания отличий от традиционной… В этом посте мы представляем байесовскую структуру вывода для контекстного обучения в больших языковых моделях, таких как GPT-3 и… ai .stanford.edu Ресурсы и несколько учеников для контекстного изучения славянских языков (arXiv) Автор : Михал Штефаник , Марек Кадлчик , Пётр Грамацкий , Петр Сойка..
Как работает алгоритм Соловая-Китаева, часть 3 (Машинное обучение)
Торговля инверсиями для иррепа в теореме Соловея-Китаева(arXiv) Автор : Адам Буланд , Марис Озолс Аннотация: Теорема Соловея-Китаева утверждает, что универсальные наборы квантовых вентилей можно обменивать с минимальными накладными расходами. Более конкретно, любой гейт на фиксированном количестве кудитов может быть смоделирован с ошибкой ε, используя просто полилогарифмические (1/ε) гейты из любого конечного универсального набора квантовых гейтов G. Одним из недостатков теоремы..
Как используются глубинные генеративные модели, часть 1 (искусственный интеллект)
Глубокие генеративные модели для быстрого моделирования фотонного потока в ATLAS (arXiv) Автор : ATLAS Collaboration Аннотация: Необходимость крупномасштабного производства высокоточных смоделированных выборок событий для обширной физической программы эксперимента ATLAS на Большом адронном коллайдере мотивирует разработку новых методов моделирования. Основываясь на недавнем успехе алгоритмов глубокого обучения, вариационные автоэнкодеры и генеративно-состязательные сети..
Выполнение базовых задач по обработке данных, машинному обучению и искусственному интеллекту в Google Cloud線上課程
Курс Выполнение основных задач обработки данных, машинного обучения и искусственного интеллекта в Google Cloud | Qwiklabs Получите значок навыка, выполнив квест «Выполнение базовых данных, машинного обучения и задач искусственного интеллекта , в котором вы изучите базовые… www.qwiklabs.com» Покажите свой значок Qwiklabs Покажите свой значок Qwiklabs Разместите ссылку на свой значок в социальных сетях..