Публикации по теме 'data-science'
Как работает концепция Task-Agnostic part5(Machine Learning)
STAP: последовательность политик, не зависящих от задач (arXiv)
Автор: Кристофер Агиа , Токи Мигимацу , Джиаджун Ву , Жаннетт Бог .
Аннотация: Достижения в приобретении роботизированных навыков позволили создать универсальные библиотеки изученных навыков для последующих задач манипулирования. Однако наивное выполнение этих навыков одно за другим вряд ли увенчается успехом без учета зависимостей между действиями, преобладающими в долгосрочных планах. Мы представляем Sequencing..
Чтобы решить сложные проблемы, найдите правильные точки для соединения
Процесс становления специалистом по обработке и анализу данных может иногда напоминать бесконечный список покупок: получить больше сертификатов, больше алгоритмов, больше хитростей с Python… В статьях, которые мы публикуем на TDS, мы часто видим что мы знаем, может быть менее важным, чем решающий навык соединения, казалось бы, несвязанных точек в подход или решение, которое работает.
На этой неделе мы представляем три недавние статьи, в которых подчеркиваются преимущества использования..
Основы машинного обучения
Машинное обучение — это научная область исследований, которая занимается разработкой различных алгоритмов и методов, позволяющих компьютерам обучаться подобно людям[1]. Итак, как же протекает процесс обучения людей, которым компьютеры пытаются подражать? Несомненно, чтобы правильно понять, как учатся компьютеры, необходимо понять, как учатся люди. Для этого давайте вместе рассмотрим пример. Предположим, у нас есть таблица, подобная приведенной ниже, показывающая влияние объема двигателей..
Настройка гиперпараметров для анализа причинно-следственных связей временных рядов в R
Настройка гиперпараметров для пакета Google R CausalImpact для вмешательства во временные ряды с помощью байесовской модели структурных временных рядов (BSTS)
Пакет CausalImpact , созданный Google, оценивает влияние вмешательства на временной ряд. В этом уроке мы поговорим о том, как настроить гиперпараметры модели причинного воздействия временных рядов с помощью R…
Обработка естественного языка: предварительная обработка и векторизация текста с потрясающей скоростью с помощью RAPIDS cuML
Предварительная обработка текста на графических процессорах входит в RAPIDS cuML! Это очень интересно, поскольку известно, что эффективные строковые операции являются сложной проблемой для графических процессоров. Основываясь на работе команды RAPIDS cuDF, которая позволяет манипулировать строками на графических процессорах, мы запустили серию преобразователей обработки естественного языка (NLP) с помощью нашей версии scikit-learn CountVectorizer и TfidfVectorize r для..
Как развивается теория игр, часть 1 (расширенная статистика)
Существование и уникальность равновесия Нэша в теории игр среднего поля (arXiv)
Автор: : Даниэль Блок , Мойзес Рейес Ривас
Аннотация: В недавних и прошлых работах выпуклость обычно предполагается для каждой отдельной части функционала действия, чтобы продемонстрировать существование и единственность равновесия Нэша на некотором интервале [0, T] (это означало что каждый гессиан предполагался неотрицательным). В частности, было наложено определенное допущение для..
Работа с синтаксическим разбором, часть 2 (машинное обучение)
Полезен ли контролируемый синтаксический анализ для понимания языка? Эмпирическое исследование (arXiv)
Автор : Горан Главаш , Иван Вулич
Аннотация: Традиционный НЛП долгое время проводил (контролировал) синтаксический анализ, необходимый для успешного понимания семантического языка (LU) более высокого уровня. Однако недавнее появление сквозных нейронных моделей с самоконтролем посредством языкового моделирования (LM) и их успех в широком спектре задач LU ставит под сомнение это..
