Публикации по теме 'neural-networks'


Создайте свою собственную нейронную сеть с нуля с помощью Python
Понимание основ нейронной сети Существует множество библиотек Python для создания и обучения нейронных сетей, таких как Tensorflow и Keras. Но чтобы по-настоящему понять нейронные сети, нам нужно понять их базовую структуру и иметь возможность создавать и обучать собственную сеть. Нейронные сети могут гораздо лучше изучать данные по сравнению с обычными алгоритмами машинного обучения. На самом деле алгоритм нейронной сети можно интерпретировать как набор линейных регрессий , где..
Прогнозирование производства энергии ветра во Франции с помощью машинного обучения
Соавторы: Гокул Раджив, Джером Тан Джун Вей, Виджай Н., Шем Малериадо, Виньеш Санкар Айер Разрушения, вызванные антропогенным изменением климата, нанесли ущерб экологии Земли и становятся реальной угрозой, особенно для тех, кто проживает в бедных общинах. Изменение климата вызвано в первую очередь увеличением выбросов парниковых газов в результате промышленной деятельности. Выбросы углерода в энергетике вносят огромный вклад. В 2018 году глобальные выбросы CO2, связанные с..
НЛП с использованием руководств по глубокому обучению : понимание функции потерь
"Обработка естественного языка" НЛП с использованием учебников по глубокому обучению: понимание функции потерь Эта статья является частью серии, которую я пишу, и в которой я попытаюсь затронуть тему использования глубокого обучения в НЛП. Прежде всего, я писал статью для примера классификации текста с помощью персептрона, но подумал, что будет лучше сначала рассмотреть некоторые основы, такие как функции активации и потери. Функция потерь, также называемая целевой функцией,..
Введение в модель нейронных сетей
Что такое модели нейронных сетей? Модели нейронных сетей, также называемые моделями искусственных нейронных сетей (ИНС), представляют собой тип модели машинного обучения, вдохновленной человеческим мозгом. Модели нейронных сетей обычно содержат несколько слоев. Каждый слой содержит несколько узлов, которые называются нейронами. Существует три типа слоев: входной, скрытый и выходной. Входные слои принимают функции/предикторы и переходят к скрытым слоям. Выходные слои вычисляют..
Наука о данных: глубокое обучение и нейронные сети в Python [VIP-версия]
Добро пожаловать на окончательный курс глубокого обучения и нейронных сетей, где вы узнаете, как построить свою ПЕРВУЮ искусственную нейронную сеть, используя методы глубокого обучения! В этом курсе мы проведем вас от базовых строительных блоков до полноценных нелинейных нейронных сетей с использованием Python и Numpy. Все материалы (среда программирования, библиотеки) БЕСПЛАТНЫ! В этом курсе мы расширим ваши знания от моделей бинарной классификации до нескольких классов с помощью..
Блоки тензорной обработки: история и приложения
Блоки тензорной обработки: История и приложения В мае 2016 года компания Google анонсировала свои блоки тензорной обработки (сокращенно TPU) как изготовленные на заказ специализированные интегральные схемы для машинного обучения . Он разработан с учетом совместимости с проектом Google Tensorflow , который представляет собой библиотеку программного обеспечения с открытым исходным кодом для машинного обучения для решения ряда задач. Он может создавать и обучать нейронные сети..
Классификация изображений — Практическое руководство — Часть 1
Вводное руководство по концепциям и моделям классификации изображений С развитием современного глубокого обучения диапазон приложений для классификации изображений продолжает стремительно расти. В 2013 году Google включил функцию, которая позволяла пользователям извлекать фотографии из своих библиотек на основе объектов, присутствующих на изображении. Эта функция превратилась в доказательство концепции для многих других приложений компьютерного зрения, и вскоре изображения..