為什么特征工程如此重要？把數(shù)據(jù)轉(zhuǎn)換成圖像

如上圖所示，目標(biāo)變量明顯泄漏到了f190486列中。事實(shí)上，我沒(méi)有用任何機(jī)器學(xué)習(xí)就得到了0.57分，這在排行榜上是個(gè)高分。在競(jìng)賽截止日期前二十天左右，主...

2018-09-05 標(biāo)簽：圖像數(shù)據(jù)集數(shù)據(jù)科學(xué) 6k 0

漸進(jìn)式神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)搜索技術(shù)

我們提出一種學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)（CNN）結(jié)構(gòu)的新方法，該方法比現(xiàn)有的基于強(qiáng)化學(xué)習(xí)和進(jìn)化算法的技術(shù)更有效。使用了基于序列模型的優(yōu)化(SMBO)策略，在這種策...

2018-08-03 標(biāo)簽：神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)集 6k 0

文本數(shù)據(jù)量不夠大的時(shí)候可用的一些實(shí)用方法，從而賦予小數(shù)據(jù)集以價(jià)值

Dropout是另一種較新的正則化方法。它具體的做法是在訓(xùn)練期間，神經(jīng)網(wǎng)絡(luò)中的每個(gè)節(jié)點(diǎn)（神經(jīng)元）按照P的概率被丟棄（即權(quán)重被設(shè)置為零）。這樣，網(wǎng)絡(luò)就不會(huì)...

2018-11-19 標(biāo)簽：機(jī)器學(xué)習(xí)數(shù)據(jù)集深度學(xué)習(xí) 5.9k 0

一種全新的基于旋轉(zhuǎn)的框架，能對(duì)自然場(chǎng)景中任意方向的文字進(jìn)行檢測(cè)辨認(rèn)

最近一些研究提出了針對(duì)隨機(jī)方向文本的檢測(cè)方法，總的來(lái)說(shuō)，這些方法大致包括兩個(gè)步驟：分割網(wǎng)絡(luò)（全卷積網(wǎng)絡(luò)）以及用于傾斜候選框的幾何方法。然而，對(duì)圖像進(jìn)行分...

2018-07-08 標(biāo)簽：圖像分類器數(shù)據(jù)集 5.9k 0

基于生成網(wǎng)絡(luò)(GAN)來(lái)輔助藝術(shù)家進(jìn)行更具創(chuàng)意的設(shè)計(jì)項(xiàng)目

該項(xiàng)目的目標(biāo)不是制造一把功能性椅子，而是為人類設(shè)計(jì)師創(chuàng)造一個(gè)激發(fā)靈感的“視覺(jué)提示”，為了探索了如何讓機(jī)器學(xué)習(xí)用作藝術(shù)和設(shè)計(jì)工具來(lái)啟發(fā)人的思維，就像超現(xiàn)實(shí)...

2018-09-28 標(biāo)簽：神經(jīng)網(wǎng)絡(luò)GAN數(shù)據(jù)集 5.9k 0

GANs領(lǐng)域值得深入研究的七個(gè)問(wèn)題，讓我們得以窺視GANs未來(lái)的發(fā)展走向

如果樣本中的元素被模型設(shè)置了0概率，那么懲罰將會(huì)變成無(wú)窮大！而GANs則通過(guò)間接的方式設(shè)置0概率，懲罰將會(huì)緩和的多。另一個(gè)方法來(lái)自于歸一化流（norma...

2019-04-22 標(biāo)簽：GaN模型數(shù)據(jù)集 5.8k 0

是十款各具特色的GANs,深入了解其數(shù)學(xué)原理

InfoGAN是生成對(duì)抗網(wǎng)絡(luò)信息理論的擴(kuò)展，能夠以完全非監(jiān)督的方式得到可分解的特征表示。它可以最大化隱含(latent)變量子集與觀測(cè)值之間的互信息(m...

2018-07-20 標(biāo)簽：GAN機(jī)器學(xué)習(xí)數(shù)據(jù)集 5.8k 0

了解人工智能的實(shí)際應(yīng)用，以及它的缺陷

在這個(gè)項(xiàng)目里，我們用了兩個(gè)公開(kāi)的數(shù)據(jù)集，A中包含了來(lái)自倫敦三家不同醫(yī)院的數(shù)據(jù)，有將近600名病人。數(shù)據(jù)集B包含了來(lái)自美國(guó)、中國(guó)和德國(guó)25家不同醫(yī)院的12...

2018-10-08 標(biāo)簽：人工智能數(shù)據(jù)集深度學(xué)習(xí) 5.8k 0

AUTOSAR NvM Block的Native、Redundant和Dataset有什么區(qū)別？

Native數(shù)據(jù)是NVM塊中存儲(chǔ)的原始數(shù)據(jù)，是應(yīng)用程序需要讀寫的數(shù)據(jù)。Native數(shù)據(jù)只在NVM塊中存儲(chǔ)一份，如果數(shù)據(jù)損壞或丟失，將無(wú)法恢復(fù)。因此，在寫...

2023-04-06 標(biāo)簽：存儲(chǔ)數(shù)據(jù)集DataSet 5.7k 0

利用2.5GPU年的算力在7個(gè)數(shù)據(jù)集上訓(xùn)練了12000多個(gè)模型

基于這些全新的發(fā)現(xiàn)和研究結(jié)果，研究人員為解耦表示領(lǐng)域提出了四個(gè)可能的方向：1.在沒(méi)有歸納偏置的條件下給出非監(jiān)督解耦表示學(xué)習(xí)的理論結(jié)果是不可能的，未來(lái)的研...

2019-04-30 標(biāo)簽：谷歌gpu數(shù)據(jù)集 5.7k 0

如何使用Scrapy爬取網(wǎng)站數(shù)據(jù)

網(wǎng)頁(yè)抓取的主要目標(biāo)是從無(wú)結(jié)構(gòu)的來(lái)源提取出結(jié)構(gòu)信息。Scrapy爬蟲(chóng)以Python字典的形式返回提取數(shù)據(jù)。盡管Python字典既方便又熟悉，但仍然不夠結(jié)構(gòu)...

2018-07-26 標(biāo)簽：數(shù)據(jù)集選擇器爬蟲(chóng) 5.6k 0

一種通用的圖像分類方法

有了訓(xùn)練集和驗(yàn)證集后，我們開(kāi)始對(duì)數(shù)據(jù)集進(jìn)行基準(zhǔn)測(cè)試。這是一個(gè)分類問(wèn)題，在給出一個(gè)測(cè)試數(shù)據(jù)時(shí)，我們需要將它分到12個(gè)類中的一個(gè)。我們將使用卷積神經(jīng)網(wǎng)絡(luò)（C...

2018-06-27 標(biāo)簽：神經(jīng)網(wǎng)絡(luò)圖像分類數(shù)據(jù)集 5.6k 0

什么是Talking Face Generation任務(wù)？

Demo 視頻中使用的面部檢測(cè)工具可以在 rsa 中找到。每張圖像的一行中，將返回一個(gè)帶5個(gè)關(guān)鍵點(diǎn)的 Matfile 輸出。這個(gè)工具在其他面部對(duì)齊方法中...

2018-12-06 標(biāo)簽：視頻數(shù)據(jù)集 5.6k 0

決定神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)處理速度的因素

最后，重點(diǎn)是這種算法并不高效，它在每次迭代中都需要用全部的訓(xùn)練集。這意味著，在每個(gè)epoch中我們都要查看所有樣本，從而在下次進(jìn)行優(yōu)化。如果只有幾千個(gè)樣...

2018-11-20 標(biāo)簽：神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)數(shù)據(jù)集 5.5k 0

谷歌的研究人員提出了一種監(jiān)督學(xué)習(xí)方法來(lái)實(shí)現(xiàn)語(yǔ)音特征的聚類

那么它具體是怎么工作的呢？假設(shè)我們有四個(gè)人同時(shí)對(duì)著這個(gè)AI說(shuō)話(這是個(gè)例子，模型其實(shí)可以處理更多的人)。那么每個(gè)人將會(huì)得到一個(gè)自己的RNN實(shí)例，擁有相同...

2018-11-16 標(biāo)簽：谷歌神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)集 5.5k 0

FAIR和谷歌大腦的合作研究，專注于“反向翻譯”方法

如圖1所示，sampling和beam+noise方法優(yōu)于MAP方法，BLEU要高0.8-1.1。在數(shù)據(jù)量最大的設(shè)置下，sampling和beam+no...

2018-11-21 標(biāo)簽：機(jī)器翻譯數(shù)據(jù)集 5.5k 0

科學(xué)家真正信任人工智能之前，首先需要去理解機(jī)器是如何學(xué)習(xí)的

科學(xué)家正面臨一個(gè)復(fù)雜的問(wèn)題，就是算法公平到底意味著什么？像Vaithianathan這樣正在與公共組織協(xié)作去建立負(fù)責(zé)、高效的軟件的研究人員，必須解決的難...

2018-10-29 標(biāo)簽：人工智能機(jī)器學(xué)習(xí)數(shù)據(jù)集 5.4k 0