Публикации по теме 'deep-learning'
Поиск и классификация музыкальной информации, часть I — «Извлечение музыкальных данных»
В этой статье объясняется, как получить музыкальные данные — аудио и тексты песен.
Извлечение аудиоданных — это процесс извлечения аудиофункций из аудиофайлов. Librosa — очень полезная библиотека для этого, и я буду использовать модули под ней для извлечения своих аудиофункций.
Прежде чем я перейду к извлечению функций, важно отметить разницу между функциями звука высокого и низкого уровня.
Звуковые функции высокого уровня представляют собой термины, которые люди используют для..
Работа с предварительным обучением в машинном обучении, часть 5
Расширение знаний: переосмысление медицинского контрастного видения-языка перед обучением (arXiv)
Автор: Сяофэй Чен , Ютин Хэ , Чэн Сюэ , Жунцзюнь Гэ , Шо Ли , Гуаньюй Ян .
Аннотация: Базовые модели, основанные на технологии предварительного обучения, значительно продвинули искусственный интеллект от теоретических до практических приложений. Эти модели облегчили широкое применение компьютерной диагностики. Медицинское контрастивное предварительное обучение языку видения, которое..
Эволюция зеркального спуска, часть 2 (оптимизация машинного обучения)
Зеркальный спуск максимизирует общую маржу и может быть реализован эффективно (arXiv)
Автор: Хаоюань Сун , Кванджун Ан , Христос Трампулидис , Навид Азизан
Аннотация . Благодаря эмпирическому успеху и широкому использованию глубоких нейронных сетей понимание эффективности обобщения чрезмерно параметризованных моделей становится все более популярным вопросом. С этой целью были предприняты значительные усилия, чтобы охарактеризовать неявное смещение используемых алгоритмов..
Методы снижения веса, часть 2 (машинное обучение)
Оптимальные функции рельефа для неглубоких сетей ReLU: снижение веса, разделение по глубине и проклятие размерности (arXiv)
Автор : Стефан Войтович
Аннотация: В этой заметке мы изучаем, как нейронные сети с одним скрытым слоем и активацией ReLU интерполируют данные, полученные из радиально-симметричного распределения с целевыми метками 1 в начале координат и 0 вне единичного шара, если внутри единичного шара метки неизвестны. . С регуляризацией затухания веса и в бесконечном..
Как избежать ловушек машинного обучения: с точки зрения практика — Часть 5
Идея этого блога состоит в том, чтобы показать, как сообщать о своих результатах после того, как вы закончите построение моделей, и иметь возможность сравнить различные модели, которые вы построили. Крайне важно сообщать о своих результатах прозрачным образом, чтобы другие могли воспроизводить и повторно использовать ваши модели без каких-либо проблем.
Этап 5. Как сообщить о своих результатах Конечная цель исследовательской работы — ее использование другими для расширения знаний...
Исследование PoseNet: революция в компьютерном зрении
Введение
В эпоху быстрого технологического прогресса компьютерное зрение превратилось в революционную область применения, начиная от автономных транспортных средств и здравоохранения и заканчивая дополненной реальностью и играми. Среди множества технологий, способствующих этой революции, PoseNet выделяется как выдающаяся разработка. PoseNet, модель глубокого обучения для оценки позы человеческого тела на изображениях и видео, открыла новые возможности для понимания движений человека и..
Адаптивное обучение с машинным обучением
Искусство персонализированного обучения с помощью машинного обучения
«Машинное обучение — это ключ к раскрытию потенциала адаптивного обучения». — Стивен Даунс
Обо мне
Меня зовут Мохит Мишра, и я блоггер, который создает интригующий контент, который заставляет читателей хотеть большего. Всем, кто интересуется машинным обучением и наукой о данных, следует заглянуть в мой блог. Мои тексты предназначены для того, чтобы вы были заинтересованы и заинтригованы регулярным графиком..
