Публикации по теме 'artificial-intelligence'
Почему глубокие ансамбли так эффективны: перспектива ландшафта потерь
Набор данных MNIST использовался в следующих экспериментах. Каждая из моделей, используемых для подгонки данных, представляла собой простой многослойный персептрон.
Для проведения следующих экспериментов были обучены и затем сравнены три модели.
Если вы хотите воспроизвести результаты самостоятельно, я сделал исходный код для экспериментов доступным здесь .
Глубокие ансамбли и методы выборки подпространств
Прежде чем мы приступим к экспериментам, важно хорошо понять разницу между..
Приложения случайного блуждания, часть 1 (статистика + машинное обучение)
Смещенное случайное блуждание при динамической перколяции (arXiv)
Автор: Себастьян Андрес , Нина Гантерт , Доминик Шмид , Перла Сузи
Аннотация: мы изучаем смещенные случайные блуждания при динамической перколяции на Zd. Мы устанавливаем закон больших чисел и принцип инвариантности для случайного блуждания, используя времена регенерации. Более того, мы проверяем выполнение соотношения Эйнштейна и исследуем скорость блуждания как функцию смещения. Хотя при d=1 скорость..
Интеллектуальная масштабируемая обработка видео в реальном времени в Azure
1. Введение
В этом руководстве создается сквозной проект для интеллектуальной масштабируемой обработки видео в реальном времени в Azure. При этом создается возможность обнаруживать граффити и определять номера вагонов с помощью видеозаписей поездов. Свойства проекта следующие:
Интеллектуальные алгоритмы обнаружения граффити и определения номеров вагонов Надежный способ обработки видео в реальном времени от края до облака Масштабируемость для экспоненциального роста количества видео..
Варианты использования положительной изотропной кривизны, часть 6 (машинное обучение)
Четыре-орбифолды с положительной изотропной кривизной (arXiv)
Автор : Хун Хуан
Аннотация: Мы доказываем следующий результат: Пусть (X,g0) — полное связное 4-многообразие с равномерно положительной изотропной кривизной и ограниченной геометрией. Тогда существует конечный набор F многообразий вида S3×R/G, где G — дискретная подгруппа группы изометрий круглого цилиндра S3×R, на котором G действует свободно, такой, что X диффеоморфно возможно бесконечному связная сумма S4, RP4 и членов..
100 дней кода машинного обучения — День 097
Подведение итогов дня 096
В дни 095 и 096 мы говорили о том, как мы слышим звук в пространстве: время интерауральной задержки, передаточная функция, связанная с головой, а также мы говорили о бинауральной записи и обработке, которые очень эффективны, если мы работаем только в наушниках. А затем мы говорили о различных конфигурациях динамиков, доступных нам для распространения звука и пространства через динамики.
Вы можете наверстать упущенное, используя ссылки ниже...
CycleGAN: как машинное обучение обучает непарному преобразованию изображения в изображение
Недавно я прочитал статью CycleGAN ( ссылка ), которая показалась мне очень интересной, потому что модели CycleGAN обладают невероятной способностью точно преобразовывать изображения во что-то, чем они не являются (например, превращать изображение лошади в изображение зебры). Очень круто . Давайте разберемся, как это работает.
GAN. Генеративные состязательные сети - основная идея CycleGAN. У GAN есть особая функция потерь: состязательная потеря. По сути, GAN состоит из двух разных..
Позволяя машинам думать самостоятельно
Позволяя машинам думать самостоятельно
Чтобы создать «сильный ИИ», нам не нужно смотреть дальше когнитивных процессов человеческого мозга. Мы увидим, что процессы, включающие ожидание, предсказание, рассуждение и абстракцию, представляют собой просто комбинацию процессов; и они могут быть воспроизведены машиной, чтобы вести себя как человек.
Однако современные специалисты по искусственному интеллекту сталкиваются с двумя серьезными препятствиями, стремясь создать интеллектуальную..
Новые материалы
Расставание с локальным хранилищем
Что такое локальное хранилище
Локальное хранилище — это механизм, который позволяет веб-приложениям хранить данные на стороне клиента. Это часть API веб-хранилища, которое также включает в себя..
CycleGAN: как машинное обучение обучает непарному преобразованию изображения в изображение
Недавно я прочитал статью CycleGAN ( ссылка ), которая показалась мне очень интересной, потому что модели CycleGAN обладают невероятной способностью точно преобразовывать изображения во что-то, чем..
«Изучение передовых технологий: подробный обзор последних инноваций в области технологий…
Технологии постоянно развиваются, и последние инновации в технологической отрасли могут изменить наш образ жизни и работы так, как мы никогда не считали возможным. В этой статье подробно..
Позволяя машинам думать самостоятельно
Позволяя машинам думать самостоятельно
Чтобы создать «сильный ИИ», нам не нужно смотреть дальше когнитивных процессов человеческого мозга. Мы увидим, что процессы, включающие ожидание,..
От AlphaGo до самоуправляемых автомобилей: понимание основ обучения с подкреплением
Руководство для начинающих по RL!
Готовы ли вы исследовать передовые технологии искусственного интеллекта? Откройте для себя захватывающий мир обучения с подкреплением ! От ошеломляющей победы..
Как сделать все элементы равными из списка в минимальных операциях в Python, используя math.ceil()
Сегодня мы узнаем, как найти минимальные операции, необходимые для того, чтобы сделать все элементы из списка равными, используя Python в качестве языка программирования. Я использую PyCharm в..
Создание пользовательских событий в React Native
Обновление: это решение больше не работает, поскольку React Native не включает стандартную библиотеку Node. Однако есть автономные модули, в которых реализован API EventEmitter. Рассмотрите..