Статьи по теме deep-learning

Публикации по теме 'deep-learning'

«Привет, мир» машинного обучения

Когда дело доходит до ИИ, люди восхищаются тем, что они могут сделать с помощью машинного обучения. Но большинство людей, которые регистрируются на такие курсы, как «Начало работы с машинным обучением» или «Введение в ИИ», не переходят дальше на следующий уровень. Но это не относится к другим курсам по веб-разработке или разработке приложений. Потому что там они могут увидеть свой прогресс или, по крайней мере, в конце курса у них есть что-то (приложение или веб-сайт), что они могут..

Новые разработки в области обнаружения аномалий, часть 1 (машинное обучение, 2023 г.)

Quantile LSTM: надежный LSTM для обнаружения аномалий в данных временных рядов (arXiv) Автор: Снеханшу Саха , Джйотирмой Саркар , Сома Дхавала , Сантону Саркар , Прянк Мота . Аннотация: Под аномалиями понимают отклонение систем и устройств от их нормального поведения в стандартных условиях эксплуатации. Аномалия в промышленном устройстве может указывать на предстоящий сбой, часто во временном направлении. В этой статье мы делаем два вклада: 1) мы оцениваем условные квантили и..

Как ИИ меняет повседневную жизнь

Вы можете этого не осознавать, но ИИ уже стал частью вашей повседневной жизни . Начиная с вашего утреннего пути на работу и заканчивая статьями, рекомендованными вам в Интернете, ИИ медленно, но верно становится повсеместным. И по мере того, как технология ИИ продолжает развиваться, ее влияние будет только усиливаться. Вот три способа, которыми ИИ меняет повседневную жизнь. 1. Поездка на работу ИИ делает поездки на работу проще и эффективнее, чем когда-либо прежде. Дорожные..

Как работает байесовская перспектива, часть 1 (машинное обучение)

Выборка конечного населения: беззастенчивая байесовская точка зрения (arXiv) Автор: Судипто Банерджи Аннотация: В этой статье делается попытка предложить некоторые перспективы байесовского вывода для конечных величин совокупности, когда предполагается, что единицы совокупности демонстрируют сложные зависимости. Начиная с обзора байесовских иерархических моделей, в том числе тех, которые дают основанные на планах оценки Хорвица-Томпсона, статья переходит к введению зависимости в..

Оценка производительности модели с помощью torch-metrics

PyTorch — это мощная библиотека машинного обучения с открытым исходным кодом, написанная на Python. Однако, в отличие от Keras tf.keras.metrics , PyTorch не имеет готовой библиотеки для метрик оценки модели, как показано в этом выпуске github . torch-metrics — это библиотека, написанная для оценки модели PyTorch. Чтобы установить torch-metrics , просто запустите pip install --upgrade torch-metrics , и будет установлена последняя версия. Доступные показатели На момент..

Методы прогнозирования временных рядов

Полная теоретическая интуиция о временных рядах и различных связанных с ними терминологиях уже опубликована в предыдущем блоге . Этот блог полностью посвящен различным моделям/методам прогнозирования временных рядов. Ниже приведены методы, которые рассматриваются в этом блоге: Прогнозирование временных рядов с помощью методов сглаживания Экспоненциальное сглаживание Метод Холта-Уинтерса Одномерное прогнозирование временных рядов Авторегрессия (AR) Скользящая..

Как работает регрессия гребня, часть 3 (машинное обучение)

Регрессия хребта максимального правдоподобия (arXiv) Автор : Роберт Л. Обенчейн Аннотация: Моя первая статья исключительно о гребневой регрессии была опубликована в Technometrics и выбрана для приглашенной презентации на Объединенном статистическом собрании 1975 года в Атланте. К сожалению, эта статья содержала множество разнообразных деталей и результатов. К счастью, обсуждение этой статьи, опубликованное Гэри Макдональдом, было сосредоточено главным образом на моем использовании..