Publicații conexe 'neural-networks'
Recomandatori în ascensiune
Recomandări în ascensiune: de la învățare superficială la învățare profundă
Rezumat
Să începem cu imaginea unei meduze ca analogie. Meduzele au o adaptabilitate destul de mare atunci când vine vorba de a-și ajusta condițiile de viață. În funcție de condițiile de mediu și de alți factori, ei pot fi văzuți trăind fie în ape puțin adânci, fie în tranșee adânci și întunecate (așa cum se arată mai sus). Poate că ei găsesc că există un beneficiu pentru ambii, un timp pentru a fi la..
Istoria rețelelor neuronale — Partea 02
Istoria rețelelor neuronale - Partea 02
În acest articol, voi continua articolul anterior, „Istoria rețelelor neuronale — Partea 01”, apoi să vorbim despre istoria rețelelor neuronale din anii 1980 până în prezent .
În 1982, a apărut un nou interes în acest domeniu. John Hopfield de la Caltech a trimis o scrisoare Academiei Naționale de Științe. Metodologia sa s-a centrat pe crearea de mașini mai eficiente folosind relații bidirecționale. În trecut, conexiunile neuronale erau..
Dezvăluirea modelului de proiectare al rețelelor neuronale informate de fizică: seria 01
Optimizarea distribuției punctelor reziduale pentru a crește eficiența și acuratețea antrenamentului PINN
În ultimii ani, rețelele neuronale informate pe fizică (PINN) au apărut ca o abordare remarcabilă care combină puterea rețelelor neuronale cu informații din legile fizice fundamentale. Pe măsură ce m-am cufundat în acest domeniu, mă simt adesea copleșit de numărul mare de lucrări de cercetare și de diferitele tehnici pe care le-au propus. Navigarea prin această mare de informații..
Învățare din datele Graph folosind Keras și Tensorflow
Motivatie:
Există o mulțime de date care pot fi reprezentate sub formă de grafic în aplicații din lumea reală, cum ar fi în rețele de citare, rețele sociale (graficul followers, rețeaua Friends, …), rețele biologice sau telecomunicații. Utilizarea caracteristicilor extrase din Graph poate crește performanța modelelor predictive, bazându-se pe fluxul de informații între nodurile învecinate. Cu toate acestea, reprezentarea datelor grafice nu este simplă, mai ales dacă nu intenționăm să..
BOOTSTRAPPING UN SISTEM DE RECOMANDARE INTELIGENT
În multe servicii web diferite, învățarea automată este utilizată pentru sisteme de recomandare care îi ajută pe utilizatori să facă față supraîncărcării de informații: pur și simplu există prea multe filme, cântece și cărți pentru ca utilizatorii să le poată răsfoi în mod util. Fără astfel de instrumente, unele servicii rămân rapid în urmă și pierd clienți.
Călătoria este puțin diferită, deoarece lumea nu are milioane de orașe, dar găsirea unor locuri noi și interesante în care să..
De ce rețelele neuronale nu vor funcționa dacă ponderile sunt inițializate la 0 și funcționează în model/regresie liniară?
Inițializarea greutăților este una dintre cele mai importante părți ale Rețelelor neuronale . Cea mai utilizată abordare este setarea ponderilor la unele numere aleatoare mici. Dar, în acest articol vom discuta următoarele:
De ce funcționează în Model liniar/Regresie când ponderile sunt inițializate la 0? De ce nu va funcționa în Rețelele neuronale când ponderile sunt inițializate la 0?
Î1- ) De ce funcționează în Model liniar/Regresie când ponderile sunt inițializate la 0?..
Activarea sigmoidului și crossentropia binară — O potrivire mai puțin decât perfectă?
Investigarea preocupărilor de imprecizie numerică
În rețelele neuronale însărcinate cu clasificarea binară , activarea sigmoidă în ultimul strat (de ieșire) și entropia încrucișată binară (BCE) ca funcție de pierdere sunt standard tarif. Cu toate acestea, ocazional, se dă peste afirmații conform cărora această combinație specifică de activare și pierdere a ultimului strat „poate avea ca rezultat imprecizie numerică sau chiar instabilitate ”. Am vrut să mă asigur că înțeleg..
