Публикации по теме 'deep-learning'
Как я получил 89 приглашенных участников, используя функцию среднего списка?
Списки более полезны, чем мы думаем
На момент (2022–02–12) написания этого контента у меня было 53 приглашенных участника!
Обновление (2022-05-12): Теперь у меня 89 приглашенных участников! Поэтому я также изменил название этой статьи, чтобы оно соответствовало номеру.
Как работают смешанные модели Гаусса в конвейерах машинного обучения, часть 1
Лапласианская гауссовская модель смеси для поверхностных ЭМГ-сигналов активности руки человека (arXiv)
Автор: Дургеш Кусуру , Аниш Ч. Турлапати , Майнак Тхакур
Аннотация: Функция плотности вероятности (PDF) сигналов поверхностной электромиографии (sEMG) следует любому из отдельных стандартных распределений: гауссовскому или лапласианскому. Кроме того, выбор модели зависит от уровня силы сокращения мышц (MCF). Таким образом, предлагается единая модель, объясняющая..
Рост сверточных нейронных сетей в компьютерном зрении
Введение
Сверточные нейронные сети (CNN) — это тип алгоритма глубокого обучения, который широко используется в области компьютерного зрения. Они предназначены для анализа визуальных данных, таких как изображения и видео, и могут использоваться для различных задач, включая классификацию изображений, обнаружение объектов и семантическую сегментацию.
CNN были вдохновлены структурой и функцией зрительной коры головного мозга человека, и было показано, что они особенно эффективны в задачах,..
Лучшее исследование субмодульной максимизации, часть 5 (оптимизация машинного обучения)
Улучшенные детерминированные алгоритмы для немонотонной субмодульной максимизации (arXiv)
Автор: Сяомин Сунь , Цзялин Чжан , Шо Чжан , Чжицзе Чжан .
Аннотация: Субмодулярная максимизация является одной из центральных тем комбинаторной оптимизации. Он нашел множество применений в реальном мире. В последние десятилетия для решения этой задачи был предложен ряд алгоритмов. Однако большинство современных алгоритмов рандомизированы. Остаются существенные пробелы в отношении..
Пошаговое руководство по преодолению проблемы разреженности в наборах данных машинного обучения
Разреженные наборы данных — распространенная проблема в машинном обучении, когда многие примеры имеют большое количество отсутствующих или нулевых признаков. Это может привести к снижению производительности модели и ухудшению интерпретируемости результатов. В этой статье мы предоставим пошаговое руководство о том, как решить проблему разреженности в наборах данных, уделяя особое внимание реальному приложению.
Шаг 1: Определите причины разреженности в вашем наборе данных. Первый шаг в..
Что такое векторизация текста? Все, что Вам нужно знать
Путеводитель по истории и роли векторизации текста в системах семантического поиска
С тех пор, как у нас были компьютеры, стоял вопрос о том, как представить данные таким образом, чтобы с ними могли работать машины. В обработке естественного языка (NLP) мы часто говорим о векторизации текста — представлении слов, предложений или даже более крупных единиц текста в виде векторов (или «встраивания векторов»). Другие типы данных, такие как изображения, звук и видео, также могут быть..
Разбираемся в страховых картах с помощью глубокого обучения
Понимание страхового покрытия и использование его для поиска подходящего врача - важная, но сложная задача для пациентов. В США у нас есть сотни страховых компаний, и у многих из них есть сотни доступных планов. Пациентам нужно многое разобрать, чтобы найти нужную информацию, которая им нужна, чтобы найти врача и записаться на прием. Чтобы пациентам было легче расшифровывать свою страховку, мы решили создать Zocdoc Insurance Checker для извлечения ключевой информации из фотографии..