Публикации по теме 'data-science'
Как работают состязательные атаки, часть 2 (машинное обучение)
1. Повышение переносимости враждебных атак с помощью обратного враждебного возмущения ( arXiv)
Автор: Зэюй Цинь , Янбо Фан , И Лю , Ли Шэнь , Юн Чжан , Цзюэ Ван , Баоюань Ву
Аннотация: было показано, что глубокие нейронные сети (DNN) уязвимы для враждебных примеров, которые могут давать ошибочные прогнозы, вводя незаметные возмущения. В этой работе мы изучаем переносимость состязательных примеров, что важно из-за угрозы для реальных приложений, где архитектура или..
Применение предварительно обученных языковых моделей, часть 1 (искусственный интеллект)
Начало работы с предварительно обученными языковыми моделями
Предварительно обученные языковые модели: упрощение Улица Сезам в мире НЛП towardsdatascience.com
Seq2Seq-SC: системы сквозной семантической коммуникации с предварительно обученной языковой моделью (arXiv)
Автор: Джу-Хён Ли , Дон-Хо Ли , Ынсу Шин , Томас Чхве , Джей Пуджара , Джунхон Ким .
Аннотация: Хотя ожидается, что семантическая коммуникация обеспечит..
Коротко о градиентном спуске
Вы можете спрашивать или искать, что такое градиентный спуск и как он работает. В этой статье я кратко покажу вам, что такое градиентный спуск Итак, давайте начнем.
Предположим, у нас есть набор данных, состоящий из трех функций, и мы хотим знать, какие функции важнее.
Итак, во-первых, мы присвоим каждой функции ВЕС , этот вес показывает, насколько функция важна, если вес большой, то он важен, если он маленький, то он не так важен и не повлияет на результат.
Эти веса сначала..
Является ли full-stack Data Scientist мифом!!!
Область науки о данных является междисциплинарной. И, следовательно, ожидается, что ученый с полным стеком данных будет иметь несколько навыков, которые могут решать бизнес-задачи и приносить их в реальный мир в виде активов / приложений / чат-ботов. Ему нужны бизнес-знания, навыки программирования, статистика, машинное обучение, большие данные, знание отчетности/панели мониторинга и хорошие навыки общения. Трудно получить специалиста по данным с полным стеком. Наука о данных — одна из..
Хороший способ развернуть модель машинного обучения с помощью Docker
Краткое руководство по развертыванию модели машинного обучения с помощью FastAPI и ее простой контейнеризации в самом VSCode.
Существуют проблемы, связанные с проектами ML, когда они создаются и выполняются разными разработчиками в команде или иным образом. Иногда зависимости могут не совпадать, вызывая проблемы для других зависимых библиотек в том же проекте. Кроме того, вам также необходимо иметь четкую документацию по каждому шагу, если вы предоставляете проект, который должен быть..
Понимание того, как работает матрица Лапласа, часть 2
Асимптотическая оценка решеточной суммы, связанной с матрицей Лапласа( arXiv)
Автор: Арзу Бойсал , Фатих Эджевит , Джем Ялчин Йылдырым
Аннотация: Матрица Лапласа имеет фундаментальное значение при изучении графов, сетей, случайных блужданий по решеткам и арифметике кривых. В некоторых случаях след его псевдоинверсии появляется как единственный нетривиальный термин при вычислении некоторых внутренних инвариантов графа. Здесь мы изучаем двойную сумму Fn, связанную со..
Snowflake запустила функции на основе машинного обучения
Использование новых инструментов анализа через SQL на основе алгоритмов машинного обучения
Snowflake анонсировала предварительную версию трех новых инструментов анализа с использованием SQL и алгоритмов машинного обучения[1].
Как и другие крупные известные хранилища данных и Lakehouses, Snowflake теперь также предлагает первые функции машинного обучения через SQL в режиме предварительного просмотра…
