Публикации по теме 'data-science'
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..
Рекомендательные системы в науке о данных
Системы рекомендаций являются неотъемлемой частью современной науки о данных. Это алгоритмы, предназначенные для прогнозирования того, что может понравиться или заинтересовать пользователя, на основе его прошлого поведения и предпочтений. Системы рекомендаций широко используются в различных отраслях, таких как электронная коммерция, потоковые сервисы и социальные сети, для предоставления персонализированных рекомендаций пользователям.
Почему системы рекомендаций важны
Системы..
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..
Создание полноценного интерфейса командной строки с использованием Python | Расширенный Python
Создание полноценного интерфейса командной строки с использованием Python — Advanced Python
Чтобы изучить расширенные функции языка программирования, вам следует попробовать создать какой-нибудь служебный инструмент на этом языке. Создание интерфейса командной строки или инструмента CLI не только дает вам представление о языке программирования. Он также учит вас, как взаимодействовать с пользователями, а также с операционной системой. В некоторых случаях Вы можете научиться читать..
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..
Новые материалы
Как получить 5-звездочные отзывы на Upwork
Как получить 5-звездочные отзывы на Upwork
Фрилансеры и работники гиг-экономики больше, чем когда-либо, зависят от отзывов клиентов, чтобы влиять на решения людей работать с ними. После многих..
Новые темы: семинары по основам программирования, неделя 2
(Семинары, указанные ниже, в настоящее время закрыты. Чтобы узнать о новейших семинарах, пожалуйста, ознакомьтесь с последней записью в блоге )
Добро пожаловать на вторую неделю наших..
Рекомендательные системы в науке о данных
Системы рекомендаций являются неотъемлемой частью современной науки о данных. Это алгоритмы, предназначенные для прогнозирования того, что может понравиться или заинтересовать пользователя, на..
Составление схемы курса Udemy Javascript
Составление схемы курса Udemy Javascript
Я пишу код с тех пор, как четыре года назад окончил колледж. Я внес свой вклад в сообщество, читая лекции, отвечая на stackoverflow и работая в..
Статическая типизация в TypeScript: основы Typescript
Понимание статической типизации
TypeScript, расширенный набор JavaScript, был разработан Microsoft в 2012 году для устранения некоторых ограничений JavaScript. Одним из его основных предложений..
Как использовать SAAS на благо вашего бизнеса
В деловом мире SAAS (программное обеспечение как услуга) становится все более популярным. И неудивительно, почему — SAAS предоставляет ряд преимуществ для предприятий любого размера.
Вот лишь..
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..