Публикации по теме 'neural-networks'
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..
Градиентный спуск, обратная опора и производные
Я получаю много вопросов от людей о градиентном спуске и обратном распространении - вот мое упрощенное объяснение этих концепций, чтобы дать вам некоторое представление о том, как обучаются нейронные сети!
При обучении нейронных сетей мы используем градиентный спуск, чтобы снизить общее количество ошибок , которые делает наша сеть. Градиентный спуск - это алгоритм спуска с холма. Высота холма соответствует «общему количеству ошибок / ошибок», предсказанному нашей сетью.
Мы..
Преодоление разрыва: интеграция пластичности Хебба в глубокое обучение с помощью уровней Марра…
Об этом сообщили Кит Мюррей и Мэтью Макманус.
Изучение нейронных цепей привело к значительному прогрессу в нашем понимании процессов обучения и памяти в мозге. Вдохновленные этими выводами, исследователи глубокого обучения стремятся разработать энергоэффективные искусственные нейронные сети (ИНС), которые имитируют основные механизмы нейронных цепей и соперничают по вычислительной мощности с мозгом. Как новая область машинного обучения, глубокое обучение оказалось чрезвычайно успешным в..
Анализ преступности в Чикаго
Анализ преступности в Чикаго
Кори Скамман, Демпси Уэйд и Сэм Циммерман
Для нашего среднесрочного проекта «Введение в искусственный интеллект» (CSCI 379) наша группа решила изучить, как ИИ может помочь анализировать и прогнозировать преступность и уровень преступности в Чикаго на основе многолетних полицейских отчетов городов. Мы также намерены определить, есть ли какие-либо корреляции между переменными в наборе данных. Примером этого может быть определение того, как местоположение..
FlashAttention: быстрое и экономичное точное внимание с поддержкой операций ввода-вывода
Стандартное внимание имеет квадратичную сложность с точки зрения длины последовательности (количества токенов). Чтобы уменьшить сложность, в методах эффективного внимания были предложены разреженные и / или низкоранговые приближения. Эти приближения уменьшают сложность до линейной или почти линейной по отношению к длине последовательности. Тем не менее, эти методы либо отстают по производительности, либо не обеспечивают ускорения настенных часов по сравнению со стандартным вниманием...
Изучение следующего поколения технологии распознавания лиц
Изучение следующего поколения технологии распознавания лиц
В 2017 году технология распознавания лиц впервые была представлена как функция смартфона (подсказка: «Face ID» в Apple iPhone). Сегодня технология распознавания лиц более обширна и широко интегрирована, чем когда-либо прежде. Эта технология была принята крупными финансовыми учреждениями, компаниями, выпускающими кредитные карты, технологическими платформами и даже Высшей бейсбольной лигой. В условиях пандемии технология..
Расшифровка искусственного интеллекта: раскрытие тайн и определение его границ
Искусственный интеллект (ИИ) постепенно превратился из концепции научной фантастики в реальность, которая пронизывает различные аспекты нашей жизни. Понимание происхождения и фундаментальных принципов ИИ имеет решающее значение для понимания его текущего и потенциального влияния на общество.
Краткая история и появление. ИИ имеет богатую историю, которая восходит к 1940-м годам, когда ученые-компьютерщики начали изучать концепцию создания машин, способных имитировать человеческий..
