Publicații conexe 'data-science'


Învățare prin consolidare profundă cu Python | Partea 2 | Crearea și instruirea agentului RL folosind Deep Q...
Învățare prin consolidare profundă cu Python | Partea 2 | Crearea și instruirea agentului RL folosind Deep Q Network (DQN) În prima parte , am trecut prin crearea mediului de joc și l-am explicat rând cu rând. În această parte, vom învăța cum să creăm și să antrenăm o rețea Deep Q Network (DQN) și să le permitem agenților să o folosească pentru a fi experți în jocul nostru. Învățare prin consolidare profundă cu Python | Partea 1 | Crearea mediului..
Pierdeți sau încasați?
Joia trecută, în timp ce sorbeam din Earl Grey, o epifanie a dansat în fața ochilor mei: un mesaj de la o IA. Ceea ce s-a desfășurat nu a fost doar o altă descoperire tehnologică, ci simfonia poetică a dansului nostru în evoluție cu tehnologia. În timp ce stăteam, hipnotizat de eleganța noului ChatGPT, cu utilizatorii depășind pragul de 1 milion în mai puțin de o săptămână, a apărut un gând: „Revoluția AI se desfășoară și ne remodelează însăși existența. ” Zorii AI..
Aplicații ale autoencoderilor partea 2 (învățare automată)
Codificatoare automate ca filtre de model (arXiv) Autor: M. Andrecut Rezumat: Discutăm o abordare simplă pentru a transforma autoencoderele în „filtre de tipar”. Pe lângă filtrare, arătăm cum această abordare simplă poate fi folosită și pentru a construi clasificatoare robuste, învățând să filtreze numai modelele unei clase date. 2. Autoencodere cu set de permutare-invariante cu încorporare de dimensiuni fixe pentru învățarea cu mai mulți agenți (arXiv) Autor: Ryan Kortvelesy ,..
Crearea decoratorilor personalizați: Ghid pas cu pas pentru construirea propriilor decoratori pentru a se potrivi...
Bine ati venit! Astăzi, vreau să mă aprofundez într-un subiect fascinant care vă va îmbunătăți abilitățile de codare și vă va face proiectele Python și mai eficiente și mai elegante: crearea decoratorilor personalizați. Decoratorii sunt o funcție puternică în Python, care vă permit să modificați dinamic comportamentul funcțiilor sau claselor. În acest ghid pas cu pas, vom explora cum să vă construiți proprii decoratori de la zero, adaptați nevoilor dumneavoastră specifice. Așa..
Curs gratuit de la Harvard privind analiza înaltă a datelor
Să vorbim despre date. Cel mai mare atu al lumii sunt datele. Totul rulează pe date. „Meta” a pierdut 10 miliarde de dolari după ce iPhone a permis utilizatorilor să aleagă ce aplicații au voie să-și urmărească comportamentul. Bursa rulează pe date. Designul aspectului site-ului se bazează pe date. Netflix poate determina ce emisiune va fi lovită pe baza datelor. Datele sunt puternice dacă știi...
Validare încrucișată și criterii de informare
Un ghid cuprinzător pentru selecția modelului Introducere Când construiți modele predictive, un pas critic este selectarea celui mai bun model dintr-un grup de candidați. Această sarcină poate fi o provocare, dar două metode populare – validarea încrucișată și criteriile de informare – oferă abordări fiabile pentru selecția modelului. În acest articol, vom explora aceste tehnici în detaliu, evidențiind avantajele, dezavantajele, procesele pas cu pas și vom oferi un studiu comparativ..
Abandonul demistificat: de la înșelăciune în clasă la antrenament AI
Salutare! Astăzi vom demistifica un concept care este utilizat pe scară largă în învățarea profundă - abandonul. Dacă ați fost vreodată curios despre ce se întâmplă sub capotă când folosim rețele neuronale, această postare este pentru tine. Și pentru a face lucrurile interesante, voi împărtăși o poveste personală din zilele mele de școală. Înșelăciune la clasă și rețele neuronale: propria mea experiență Când eram la școală, unuia dintre colegii mei nu-i plăcea geografia ca materie...