Publicații conexe 'deep-learning'
Introducere în rețelele neuronale
Înainte de a vă scufunda în rețelele neuronale, este esențial să înțelegeți elementele de bază ale învățării automate.
Învățarea automată implică utilizarea algoritmilor pentru a învăța modele din date. Pentru a spune mai simplu, computerul învață cum să efectueze sarcina analizând datele și descoperind modele.
Există două tipuri principale de învățare automată: învățare supravegheată și învățare nesupravegheată. Aceste două tipuri de învățare automată pot fi dificil de înțeles,..
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 ,..
Algoritmul de coborâre în gradient pentru copii: explicația cea mai intuitivă
Imaginează-ți că ai un deal mare și vrei să ajungi la fund. Coborârea în pantă este ca și cum ai găsi cea mai bună cale de a coborî dealul pas cu pas.
Acum, să vorbim despre diferitele tipuri de coborâre în gradient:
⭕Coborâre în grad de loturi: Imaginați-vă că aveți un grup de prieteni și că vreți cu toții să coborâți dealul împreună. Cu coborârea în pantă în lot, te uiți la întreg dealul, calculezi panta (cât de abruptă este) în toate direcțiile și apoi faci un pas mare în..
Clasificarea imaginilor cu Transfer Learning
Învățarea prin transfer este reutilizarea unui model pre-antrenat pentru o altă utilizare, dar similară. Această metodă este văzută în diverse aplicații de învățare automată, în special în situațiile în care setul de date este relativ mic.
În acest proiect, am construit un model de clasificare a imaginilor de la zero folosind învățarea prin transfer. Când am spus de la zero, setul de date era setul meu personalizat de date pe care l-am eliminat folosind instrumentul IDT cu propriile mele..
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...
Antrenarea unui CNN personalizat pe propriul set de date cu Tinygrad
Salutări, colegi și pasionați de inteligență artificială! Continui cu Tinygrad, o bibliotecă remarcabilă de învățare profundă care a deschis calea pentru nenumărați entuziaști să exploreze lumea captivantă a inteligenței artificiale.
În lucrările mele anterioare, m-am angajat în călătorii educaționale, aprofundând în complexitățile învățării profunde și prezentând capacitățile lui Tinygrad. Dacă nu ați făcut-o deja, vă invit să explorați postările mele anterioare de pe blog:..
