विषयावरील प्रकाशने 'deep-learning'
न्यूरल नेटवर्क: आर्टिफिशियल न्यूरल नेटवर्कचे सार
मशीन लर्निंग, डीप लर्निंग
न्यूरल नेटवर्क: आर्टिफिशियल न्यूरल नेटवर्कचे सार
कृत्रिम न्यूरल नेटवर्क म्हणजे काय?
मानवी मेंदूमध्ये अब्जावधी न्यूरॉन्स एकमेकांशी जोडलेले असतात आणि प्रत्येक न्यूरॉन कनेक्शनद्वारे दुसऱ्याला सिग्नल देत असतो. यामुळे मानवाला एक विशिष्ट क्रिया करावी लागते. उदाहरणार्थ, तुमचा फोन पकडण्यासाठी तुम्ही तुमच्या खिशात पोहोचू इच्छिता, त्यानंतर तुमच्या मेंदूला पाठवले जाणार आणि या अब्जावधी न्यूरॉन्स कनेक्शनमधून जाणारा सिग्नल असेल. मग या कामासाठी जबाबदार असलेले न्यूरॉन्स..
बॅकप्रोपॅगेशनचे एक सूक्ष्म उदाहरण—भाग २: मूलभूत गोष्टी
परिचय
लेखांच्या या मालिकेच्या पहिल्या भागात , आम्ही बॅकप्रोपगेशनच्या मूलभूत सिद्धांताचे तपशीलवार वर्णन केले आणि बेरीज, वजाबाकी आणि टोपोलॉजिकल क्रमवारीसह एक सोपी अंमलबजावणी केली. या लेखात, आम्ही पुढे गुणाकार, भागाकार, घातांक आणि काही लोकप्रिय सक्रियकरण कार्ये शोधू.
आम्हाला मागील लेखातील सैद्धांतिक गोष्टी बाहेर आल्याने, ज्याला मी प्रथम येथे वाचण्याची शिफारस करतो, आम्ही थेट अंमलबजावणीमध्ये जाऊ.
अंमलबजावणी
या लेखात, आम्ही मागील लेखातील MyTensor वर्ग नवीन कार्यक्षमतेसह वाढवू आणि..
आमच्या दृष्टिकोनातील दोष: रिकरंट न्यूरल नेटवर्क-LSTM लागू करताना तुम्ही काय चूक करत आहात!
मी काही महिन्यांपूर्वी मशीन लर्निंगच्या क्षेत्रात प्रवेश करायला सुरुवात केली आणि काही प्रकल्प बनवल्यानंतर मी स्वतःला विचार केला, “हे खरोखर कठीण नाही”. मी डीप लर्निंगचा सामना करेपर्यंत तेच होते. अभ्यासाचे संपूर्ण नवीन क्षेत्र, डीप लर्निंगसाठी मोठ्या प्रमाणावर गणितीय तसेच विश्लेषणात्मक ज्ञान आवश्यक आहे.
न्यूरल नेटवर्क तयार करणे हे मुळात मानवी मेंदू बनवण्यासारखे आहे!
जेव्हा मी न्यूरल नेट वापरण्याच्या तयारीत होतो, तेव्हा मला जाणवले की ते खूप जबरदस्त आहे. अशा अनेक क्लिष्ट संकल्पना..
मशीन लर्निंग भाग1 साठी हेसियन मॅनिफोल्ड्स वापरणे
हेसियन मॅनिफोल्ड्स (arXiv) वरील L2-कोहोमोलॉजी गटांचे अदृश्य प्रमेय
लेखक: "शिन्या अकागवा"
गोषवारा : : आम्ही कोडायरा-नाकानो प्रकारातील L2-कोहोमोलॉजी गटांचे अदृश्य होणारे प्रमेय संपूर्ण हेसियन मॅनिफोल्ड्सवर दाखवतो. आम्ही p›q साठी चेंग-याउ मेट्रिकसह नियमित बहिर्वक्र शंकू Ω वर L2-कोहोमोलॉजी गट L2Hp,q(Ω) ची पुढील अदृश्य प्रमेये प्राप्त करतो.
2. कॉम्पॅक्ट हेसियन मॅनिफोल्ड्स (arXiv) वर मोंगे-अँपियर समीकरणांसाठी एक इष्टतम वाहतूक दृष्टीकोन
लेखक: "जेकोब हल्टग्रेन", "मॅग्नस ओनहाइम"..
मशीन लर्निंग भाग9 मध्ये Rayleigh quotient सह कार्य करणे
ग्रासमन मॅनिफोल्ड्सच्या टेन्सर उत्पादनांवर रिमेनियन ऑप्टिमायझेशन: सामान्यीकृत रेले-कोटिंट्ससाठी अनुप्रयोग(arXiv)
लेखक: "ओ. कर्टेफ", "जी. डायर", "यू. हेल्मके»
गोषवारा : आम्ही ग्रासमॅनिअन्सच्‍या टेन्सर उत्‍पादनावर एक सामान्यीकृत रेले-कोशिएण्ट सादर करतो, जे संख्‍याच्‍या रेषीय बीजगणितच्‍या विविध क्षेत्रांतून सुप्रसिद्ध ऑप्टिमायझेशन कार्यांसाठी एकसंध दृष्टीकोन सक्षम करते, जसे की टेन्‍सरचे सर्वोत्कृष्‍ट लो-रँक अंदाजे (डेटा कम्प्रेशन), भौमितिक उपाय. एंटँगलमेंट (क्वांटम कॉम्प्युटिंग) आणि..
टेन्सरफ्लो सर्व्हिंगसह प्रतिमा वर्गीकरण मॉडेल सर्व्ह करणे
तुमचे टेन्सरफ्लो मॉडेल सर्व्ह करण्यासाठी वेब सेवा तयार करण्यासाठी टेन्सरफ्लो सर्व्हिंग वापरण्यास शिका
हा ब्लॉग मालिकेचा दुसरा भाग आहे ज्यामध्ये Tensorflow मॉडेल प्रशिक्षण, Tensorflow सर्व्हिंग आणि त्याचे कार्यप्रदर्शन समाविष्ट असेल. मागील पोस्टमध्ये , आम्ही इमेज क्लासिफायर मॉडेलला प्रशिक्षित करण्यासाठी ऑब्जेक्ट ओरिएंटेड दृष्टीकोन घेतला आणि तो SavedModel म्हणून एक्सपोर्ट केला. मी या पोस्टच्या आधी त्यावर जाण्याची शिफारस करतो कारण आम्ही तेच मॉडेल वापरणार आहोत. ब्लॉग मालिकेसाठी तुम्ही..
प्रिसिजन वि रिकॉल. ते तुम्हाला खरोखर काय सांगतात?
प्रिसिजन आणि रिकॉलमागील कल्पना समजून घ्या
तुम्ही कोणत्याही डेटा सायंटिस्ट किंवा मशीन लर्निंग इंजिनियरला त्यांनी शिकलेल्या सर्वात सोप्या आणि गोंधळात टाकणाऱ्या विषयाबद्दल विचारल्यास — त्यांच्या मनात येणारी पहिली गोष्ट म्हणजे प्रिसिजन वि रिकॉल.
एकीकडे , हा विषय खरोखरच गोंधळात टाकणारा आहे, आणि मी स्वतः हा फरक समजून घेण्याच्या प्रयत्नात बराच वेळ घालवला आणि सर्वात महत्त्वाचे म्हणजे, या दोन संज्ञा तुम्हाला काय सांगतात.
दुसरीकडे, विषय अतिशय सोपा आहे आणि त्याला गणित, प्रोग्रामिंग किंवा..
