Публикации по теме 'neural-networks'


Генерация изображений с использованием генеративно-состязательных нейронных сетей (GAN) с использованием изображений ЭКГ в качестве…
Для создания изображений с помощью GAN я буду использовать Tensorflow . Генеративно-состязательная сеть (GAN) — это модель машинного обучения (ML), в которой две нейронные сети соревнуются друг с другом, чтобы быть более точными в своих прогнозах. Как работают GAN? Первым шагом в создании GAN является определение желаемого конечного результата и сбор начального набора обучающих данных на основе этих параметров. Затем эти данные рандомизируются и передаются в генератор до тех пор,..
Они действительно учатся?
Глубокое обучение и великая революция ИИ наконец-то произошли. Глубокие нейронные сети продолжают делать невероятные скачки в своей способности удивлять нас и побеждать людей в задачах, которые, как мы думали, машины никогда не справятся лучше нас, таких как распознавание изображений и игра «вперед». Нам хотелось бы так думать. Недавние разработки и прогресс в машинном обучении и, в частности, в глубоком обучении были провозглашены новой зарей для настоящего искусственного интеллекта...
Самооценка нейронных сетей
Я изобрел новый тип слоя для нейронных сетей и надеюсь на отзывы о нем. Новый уровень дает сети возможность оценивать надежность своих собственных функций. Это позволяет ему изменять вес каждой функции в зависимости от проблемы. Проблема Когда обычная нейронная сеть решает проблему регрессии, она предоставляет только исходный результат. Он не дает оценки того, насколько он уверен в правильности этого вывода. Это проблема, если сеть не знает, каким должен быть результат. Он не..
Типы обучения в нейронных сетях
Когда система нейронной сети обучается, она создает внутреннюю модель выборочных данных. Эти модели представлены в терминах векторов структурных весов. Алгоритмы обучения определяют зависящую от архитектуры процедуру кодирования информации в веса для создания внутренних моделей. Это обучение происходит путем непрерывного изменения силы связи (синаптических весов). Система обучается тремя способами. Контролируемое обучение : Мы знаем, что для любой сети с набором дискретных..
Временные ряды + нейронные сети: избегайте этого!
Итак, я занимаюсь этим уже довольно давно, экспериментируя с наборами данных временных рядов и нейронными сетями, и хотел бы поделиться здесь некоторыми мыслями, которые, надеюсь, могут оказаться полезными для других, чтобы избежать некоторых ненужных ошибок. Мы знаем, что нейронные сети могут страдать от явления, называемого ковариатным сдвигом. Для тех, кто не в курсе, очень коротко, это изменение распределения выходных активаций при изменении параметров сети. То, что мы хотели бы..
В целях классификации : каждое дерево в лесу дает вероятность для каждого класса, а…
В целях классификации: каждое дерево в лесу дает вероятность для каждого класса, и вероятности усредняются по деревьям, а класс с наибольшей вероятностью прогнозируется как метка класса.
Простое обучение с подкреплением с помощью Tensorflow: часть 3 - RL на основе модели
Прошло некоторое время с момента моей последней публикации в этой серии, где я показал, как разработать агент усиления градиента политики, который мог бы решить задачу CartPole. В этом руководстве я хотел бы еще раз изучить проблему CartPole, но на этот раз представить концепцию модели среды, которую агент может использовать для повышения своей производительности. (Если вы еще не читали их, вот ссылки на первое и второе руководства из этой серии. Каждое руководство основано на..