Публикации по теме 'data-science'
Работа с астрономическими временными рядами, часть 3 (ИИ + астрономия)
О нейронных архитектурах для классификации астрономических временных рядов с применением к переменным звездам (arXiv)
Автор: Сара Джамал , Джошуа С. Блум .
Аннотация: Несмотря на полезность нейронных сетей (NN) для классификации астрономических временных рядов, распространение обучающих архитектур, применяемых к различным наборам данных, до сих пор препятствовало прямому взаимному сравнению различных подходов. Здесь мы проводим первое всестороннее исследование вариантов обучения и..
Последние исследования фильтров Калмана, часть 11
Нелинейная фильтрация Калмана с градиентами репараметризации (arXiv)
Автор: Сан Гюльтекин , Брендан Киттс , Аарон Флорес , Джон Пейсли .
Аннотация: Мы представляем новый нелинейный фильтр Калмана, который использует градиенты репараметризации. Широко используемая параметрическая аппроксимация основана на совместном гауссовском предположении модели пространства состояний, что, в свою очередь, эквивалентно минимизации аппроксимации дивергенции Кульбака-Лейблера. Можно получить..
Понимание больших данных: важность, проблемы и решения
Большие данные — это огромные объемы структурированных и неструктурированных данных, которые генерируют и собирают организации. Эти данные слишком велики, сложны и разнообразны, чтобы их можно было обрабатывать с помощью традиционных инструментов обработки данных. С появлением Интернета, социальных сетей, мобильных устройств и других цифровых технологий объем данных, генерируемых предприятиями, отдельными лицами и машинами, резко возрос. Большие данные стали важным ресурсом для..
Новые разработки в области машинного обучения, часть 7 (выпуск за ноябрь 2022 г.)
На пути к эффективному и универсальному обнаружению запутанности с помощью машинного обучения (arXiv)
Автор: Цзюэ Сюй , Ци Чжао
Аннотация: Обнаружение запутанности — необходимый шаг к практическим квантовым вычислениям и коммуникации. По сравнению с обычным методом свидетелей запутанности, основанным на точности, мы предлагаем гибкий протокол обнаружения запутывания с машинным обучением с помощью машинного обучения , который устойчив к различным типам шумов и эффективно..
Обновления о скрытых марковских моделях в 2023 г., часть 6 (машинное обучение)
IMCDCF: поэтапный подход к обнаружению вредоносного ПО с использованием скрытых марковских моделей (arXiv)
Автор: Жан Лю , Чарльз Николас
Аннотация: Популярность динамического анализа вредоносного ПО значительно выросла, поскольку он позволяет аналитикам наблюдать за поведением исполняемых образцов, тем самым повышая эффективность обнаружения и классификации вредоносных программ. В связи с постоянным увеличением количества новых вариантов вредоносного ПО существует острая..
Изучите строки Python всего за 3 минуты
"A string is a sequence of characters."
Computers do not deal with characters, they deal with numbers (binary). Even though you may see characters on your screen, internally it is stored and manipulated as a combination of 0's and 1's.
This conversion of character to a number is called encoding, and the reverse process is decoding. ASCII and Unicode are some of the popular encoding used.
In Python, string is a sequence of Unicode character.
Подробнее о юникоде..
Использование машинного обучения и методов логистической регистрации для прогнозирования победителей NBA MVP с расширенной статистикой
Использование методов машинного обучения и логистической регрессии для прогнозирования победителей NBA MVP с расширенной статистикой
Подобно проекту машинного обучения и анализа логистической регрессии, который я опубликовал вчера, я создал другую модель, которая очень похожа с одним ключевым отличием: модель регрессии реализует расширенную статистику (PER, WS per 48, BPM, VORP) вместо базовой статистики. Это вообще не учитывало базовую статистику,..
