Powiązane publikacje 'deep-learning'


Uwolnij moc XGBoost: usprawnij swoją grę w modelowanie predykcyjne!
Uwolnij moc XGBoost: usprawnij swoją grę w modelowanie predykcyjne! Witamy w świecie XGBoost, gdzie Twoje umiejętności modelowania predykcyjnego mogą osiągnąć nowy poziom! Dzisiaj zagłębimy się w potężny algorytm XGBoost, aby zrozumieć, dlaczego jest on potrzebny, jakie wyzwania pokonuje i jak można wykorzystać jego moc za pomocą przejrzystych przykładów kodu w Pythonie. Czy jesteś gotowy, aby odblokować potencjał tego wyjątkowego narzędzia do uczenia maszynowego? Chodźmy…
5-minutowy biuletyn AI nr 3
👨🏽 💻 Niektóre z najnowszych odkryć badawczych 👉🏻 Nie, sztuczna inteligencja Google nie jest świadoma Firmy technologiczne nieustannie zwiększają możliwości swojej stale udoskonalanej sztucznej inteligencji. Jednak Google szybko usunął twierdzenia, że ​​jeden z jego programów osiągnął taki postęp, że stał się świadomy. Według „pouczającej historii” opublikowanej w sobotę w „Washington Post” jeden z inżynierów Google powiedział, że po setkach interakcji z najnowocześniejszym,..
Przedstawiamy „Heron”: wielojęzyczną, multimodalną bibliotekę edukacyjną z 70 miliardami LLM
Nazywam się Yuichi i jestem badaczem w Turing Inc. („ X/Twitter @inoichan ») Z radością ogłaszamy wydanie naszej wielkoskalowej multimodalnej biblioteki edukacyjnej „ Heron ”, która obsługuje wiele języków, w tym japoński, oraz kolekcję modeli o parametrach do 70B. GitHub - turingmotors/heron Przyczyń się do rozwoju turingmotors/heron, tworząc konto na GitHub. github.com Opublikowany przez nas model multimodalny składa się z..
Zastosowania rozpoznawania tekstu sceny, część 3 (sztuczna inteligencja)
Rozpoznawanie tekstu sceny za pomocą permutowanych modeli sekwencji autoregresyjnych (arXiv) Autor: Darwin Bautista , Rowel Atienza Streszczenie: Oparte na kontekście metody STR zazwyczaj wykorzystują wewnętrzne modele języka autoregresyjnego (AR) (LM). Nieodłączne ograniczenia modeli AR motywowały metody dwuetapowe, które wykorzystują zewnętrzną LM. Warunkowa niezależność zewnętrznego LM od obrazu wejściowego może spowodować, że będzie on błędnie korygował prawidłowe..
Jak działa kwadratowa nieograniczona optymalizacja binarna, część 3
Zmienna redukcja dla kwadratowej nieograniczonej optymalizacji binarnej (arXiv) Autor: Amit Verma , Mark Lewis Streszczenie: Kwadratowe modele optymalizacji binarnej bez ograniczeń są przydatne do rozwiązywania różnorodnych problemów optymalizacyjnych. Ograniczenia można dodać, włączając do celu warunki kary kwadratowej, często wraz z wprowadzeniem zmiennych zapasowych potrzebnych do konwersji nierówności. Transformacja ta może prowadzić do znacznego wzrostu rozmiaru i gęstości..
Uczenie maszynowe kontra uczenie głębokie kontra sztuczna inteligencja
Odbyłem rozmowę kwalifikacyjną w dużej firmie i zadano mi wiele pytań, ale jedno, które utkwiło mi w pamięci, to pytanie osoby przeprowadzającej rozmowę kwalifikacyjną: „Czy znasz różnicę między uczeniem maszynowym a głębokim uczeniem się i Sztuczna inteligencja , ponieważ niewiele osób widzi różnicę”. Omówię więc różnice i podobieństwa między 3. Nauczanie maszynowe Uczenie maszynowe to nauka o algorytmach komputerowych, które poprawiają ogólne wrażenia. Algorytmami..
Analiza nastrojów w zbiorze danych US Twitter Airlines: podejście polegające na głębokim uczeniu się
W dwóch moich poprzednich postach („to” i „to”) próbowałem przeprowadzić analizę nastrojów na zbiorze danych linii lotniczych na Twitterze za pomocą jednej z klasycznych technik uczenia maszynowego: klasyfikatorów naiwno-bayesowskich. Na potrzeby tego postu stworzyłem jeden klasyfikator z podejściem głębokiego uczenia się. Ta praca nie będzie przełomowa, to tylko celowa zabawa, trochę, z sieciami neuronowymi. Do tej pracy użyłem Tensorflow i Keras do zdefiniowania sieci neuronowej oraz..