Публикации по теме 'machine-learning'
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..
От экспериментов Крэнфилда к поиску нейронной информации
Введение
Когда я работал в промышленности, я видел модели SOTA, публикуемые каждую неделю в различных областях машинного обучения, пока я боролся со сложным поисковым приложением, состоящим из множества параметров и эвристик. Я, естественно, подумал: «Как я могу применить последние достижения исследований в практических приложениях?». Некоторое время я думал об этом вопросе, и в итоге я поступил в университет, чтобы изучать поиск информации. Эта статья - всего лишь заметка, сделанная во..
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..
