Публикации по теме 'artificial-intelligence'
Как далеко мы продвинулись с оценкой плотности ядра, часть 2 (машинное обучение)
Субквадратичные алгоритмы для матриц ядра с помощью оценки плотности ядра (arXiv)
Автор: Айнеш Бакши , Петр Индик , Пранит Качам , Сандип Силвал , Самсон Чжоу .
Аннотация: Матрицы ядра, а также представляемые ими взвешенные графы являются повсеместными объектами в машинном обучении, статистике и других смежных областях. Основным недостатком использования методов ядра (обучения и вывода с использованием матриц ядра) является эффективность — при наличии n входных точек..
Как смоделировать множественную сезонность во временном ряду
Обработка сезонных эффектов за несколько периодов
В этой статье вы узнаете, как моделировать множественную сезонность во временных рядах. Мы рассмотрим:
Как разложить временной ряд с помощью MSTL Создание независимых переменных, отражающих сложную сезонность Использование готовых методов на примере пакета прогнозирования orbit .
Сложная сезонность
Сезонность относится к систематическим изменениям, которые повторяются с определенной периодичностью . Эти закономерности..
Значение и развертывание пограничного машинного обучения для бизнеса
Искусственный интеллект (ИИ) и машинное обучение (МО) продолжают разрушать устаревшие бизнес-процессы благодаря расширенным возможностям интеграции. Стремясь соответствовать требованиям к мощности процессоров предприятия, поставщики услуг по разработке машинного обучения расширяют поддержку аппаратных устройств. Пограничное машинное обучение становится эффективной заменой облачным инфраструктурам для создания и развертывания корпоративных моделей машинного обучения. От распознавания..
Введение в обучение с подкреплением: процесс принятия решений по Маркову
#InsideRL
Обучение с подкреплением: процесс принятия решений по Маркову (часть 1)
В типичной задаче обучения с подкреплением (RL) есть учащийся и лицо, принимающее решения, называемое агентом , а окружение, с которым он взаимодействует, называется средой . В свою очередь, среда предоставляет вознаграждения и новое состояние на основе действий агента. Итак, в обучении с подкреплением мы не учим агента, как он должен что-то делать, а даем ему положительные или отрицательные..
Веб-приложение для интерактивного исследования данных с использованием Streamlit (самый быстрый способ создания машинного обучения…
Исследование данных с помощью интерактивных фильтров было проблемой для разработчиков Python до выпуска этой удивительной платформы приложений под названием Streamlit . С момента выпуска этой чудо-инфраструктуры процесс изучения данных, создания веб-приложений и развертывания моделей машинного обучения стал очень простым с помощью нескольких строк кода Python путем выполнения вызовов API к Streamlit.
В этом сообщении блога я расскажу вам о веб-приложении, которое я создал для изучения..
Атака Beanstalk и некоторые тривиальные идеи для более надежного управления DeFi
Некоторые базовые идеи, которые могут улучшить модели управления в DeFi.
Недавно я работал над некоторыми исследовательскими идеями об управлении DeFi, которые я надеюсь вскоре опубликовать и которые были протестированы в использовании протокола Beanstalk на этих выходных . Я не фанат написания посмертных критических замечаний о…
А.И. Исследователи синтезировали поддельного Обаму
Алгорологический дайджест №10: ИИ учится паркуру, новые фонды, гигантские айсберги
Исследователи из Вашингтонского университета добились поразительных результатов в подделке видеозаписей. Их подход основан на аналогичных методах говорящей головы, таких как Face2Face, хотя Face2Face дает гораздо худшие визуальные результаты, потому что он переносит рот из другой видеопоследовательности, а не создает его в данном кадре. Довольно впечатляющие результаты, вы можете погрузиться в саму..
