Свързани публикации 'unsupervised-learning'


Неконтролирано обучение за откриване на аномалии
Съдържание В тази публикация ще преминем през: Необходимостта от откриване на аномалии Базов алгоритъм за откриване на аномалия с основна математика Оценяване на алгоритъм за откриване на аномалия Разширяване на базовия алгоритъм за многомерно гаусово разпределение и използване на разстоянието на Махаланобис Откриване на измамни транзакции в набор от данни за кредитна карта, наличен в Kaggle В предишната публикация разгледахме задълбочено Анализа на основните компоненти (PCA) и..
Как кучетата могат най-добре да обяснят машинното обучение: Изпълнително въведение
Подходът за най-добра практика AI 3:10 към машинното обучение ви води от първоначалната ви цел до необходимата задача за машинно обучение Машинното обучение често е случай на супа от акроними. Термини като обучение с подсилване или CNN или обратно разпространение или настройка на хиперпараметри го карат да се чувства непроницаемо на моменти. Искахме да предоставим по-интуитивна рамка, за да запознаем нетехническата аудитория с машинното обучение. И как да мислите за машинното..
Активиране на когнитивно визуално отговаряне на въпроси
Изследване на хибриден подход за визуално отговаряне на въпроси чрез по-задълбочена интеграция на OpenCog и Vision Subsystem. Въведение Нека си представим сценарий, в който на София , социалния хуманоиден робот, някой задава прост въпрос: „ София, вали ли? “ Ако София каже „да“ на въпроса, знае ли защо е дала този отговор? С други думи, как София отговаря на въпроса? Способността да се отговаря на въпроси относно визуални сцени, с други думи, способността да се извършва..
Представяне на TensorFlow Graphics: Компютърната графика се среща с Deep Learning
Публикувано от Julien Valentin и Sofien Bouaziz Хранилище на Github: https://github.com/tensorflow/graphics През последните няколко години се наблюдава нарастване на новите диференцируеми графични слоеве, които могат да бъдат вмъкнати в архитектурите на невронни мрежи. От пространствени трансформатори до диференцируеми графични рендери, тези нови слоеве използват знанията, придобити през годините на компютърно зрение и графични изследвания, за да изградят нови и по-ефективни..
Ръководство за начинаещи за това как машините учат
Въведение След като навлезете в областта на изкуствения интелект и машинното обучение, няма начин да избегнете три термина: Учене под наблюдение Учене без надзор Учене с подсилване Това са трите най-често срещани начина за това как машините могат да учат, следователно разбирането на тяхното значение и разлики е важно да знаете, когато започвате работа с изкуствения интелект. Ако сте нов в областта, препоръчваме ви първо да прочетете за „различните дисциплини на изкуствения..
Контролирано срещу неконтролирано машинно обучение
Очаква се машинното обучение да революционизира начина, по който работят компютрите. Докато в миналото е известно, че компютрите работят стриктно според това как са програмирани, машинното обучение позволява на компютрите да оценяват преобладаващите тенденции и да действат по съответния начин. Учените по данни използват различни типове алгоритми, за да идентифицират присъщи модели в рамките на големи данни и да правят правилни прогнози. Като цяло, алгоритмите могат да бъдат..
Глава 9: Техники за обучение без надзор
Преглед на практическото машинно обучение със Scikit-Learn, Keras & Tensorflow от Aurélien Géron Резюме Неконтролираното обучение вероятно е това, за което хората мислят, когато мислят за машинно обучение. Това е акт на просто излагане на машина на набор от данни и машината е в състояние да извлече заключения или някакъв вид стойност от тези данни. Неконтролираното обучение се различава от контролираното обучение, тъй като данните, които се използват, не са обозначени или са..