Leifeng.com altındaki AI Araştırma Enstitüsü, düzenli olarak yerli ve yabancı AI geliştirmeyle ilgili teknik bilgiler, öğrenme materyalleri ve geliştirme blogları düzenler. Katkılara açığız ve gönderim e-postası: zhangxian@leiphone.com.
Bu, Python'daki zaman serisi tahmin problemleriyle başa çıkmak için bir dizi şablon sağlayan Avustralyalı makine öğrenimi uzmanı Jason Brownlee tarafından yazılmış bir öğreticidir. Bu eğitim, okuyucuya hangi araçların kullanılması gerektiğini, nasıl çalıştırılacağını ve nedenini adım adım gösterir. Bir vaka olarak Boston'daki silahlı soygunların sayısını kullanıyor ve gelecekte her ay Boston'da meydana gelen soygun sayısı hakkında makul bir tahmin yapma sorununu çözmeyi hedefliyor. Tam metin, 20.000 kelime kod içerir ve şimdiye kadarki en yetkili ve ayrıntılı zaman serisi tahmin eğitimlerinden biridir. Önemli bir öğrenme değerine sahiptir.
Çeviri adresi:
Orijinal adres:
Coursera'da Öğretmen Wu Enda tarafından verilen makine öğrenimi kursunu herkes bilmelidir. Amerikalı bir veri analizi uzmanı olan Bilal Mahmood, öğretmen Wu Enda'nın dersinde K-ortalamalı kümeleme algoritmasının girişini özetledi ve ardından bu makaleyi yazmak için kendi deneyimini ekleyerek verileri otomatik olarak bölümlere ayırmak için küme analizini nasıl kullanacağınızı öğretti. Makale iki bölüme ayrılmıştır: biri K-ortalamalı kümeleme algoritmasına kapsamlı bir giriş yapmak, diğeri ise algoritmanın temel pratik becerilerini tanımlamaktır (tartışma için anahtar soru şudur: kaç küme kullanılmalıdır?). Kümeleme problemlerini inceleyen geliştiriciler için çok değerlidir.
Çeviri adresi:
Orijinal adres:
Bu, Daniel Goodfellow ve diğerleri tarafından OpenAI blogunda yayınlanan ve özellikle "muhalif örnekler" konusunu tartışan bir makaledir. Çoğu makine öğrenimi algoritmasını felce uğratabildiği için bu makale, rakip örneklerin getirdiği yapay zekanın potansiyel güvenlik risklerini, bunların nasıl çözüleceğini tartışıyor ve rakip örneklerle başa çıkmanın birkaç ana yolunu sayıyor. Bunlar arasında, bu makale gradyan maskeleme yönteminin teknik düzeyde rakip örnek problemini neden çözemediğini ayrıntılı olarak tartışmaktadır.
Orijinal adres: https://openai.com/blog/adversarial-example-research/
Bu, DataScience.com'un Doğal Dil İşleme Girişiyle ilgili bir dizi makalenin ilkidir. Bu seri, doğal dil işlemenin temel kavramlarını, temel sorunlarını ve zorluklarını ve genel çözümleri tanıtacaktır. Bu serinin ilk bölümü olarak makale, doğal dil işleme teknolojisine ve uygulamasına girişle başlar ve Sözcüksel Birimleri tartışmak için teknik bağlantıya rastgele girer; özellikle belirteçleştirme ve normalleştirme uygulama yöntemlerini. NLP alanındaki geliştiriciler için uygundur.
Leifeng.com size takip eğitimleri verecektir.
Orijinal adres: https://www.datascience.com/blog/introduction-to-natural-language-processing-lexical-units-learn-data-science-tutorials
Silicon Valley Veritabanının araştırma ekibi, yedi ana akım derin öğrenme platformu çerçevesinin özelliklerini, avantajlarını ve dezavantajlarını özetledi. Bu çerçeveler şunları içerir: TensoFlow, Theano, Torch, Caffe, MXNet, Neon ve CNTK. Bu makale, yeni derin öğrenme geliştiricilerine "Hangi çerçeveyi seçmeliyim?" Konusunda rehberlik sağlamayı amaçlamaktadır. Açık kaynaklı çerçevelerin ve araçların nasıl seçileceği hakkında daha fazla soru için lütfen Leifeng.com'un makale serisine bakın: Çerçeve platformlarının Tensorflow'daki en kapsamlı eğitim materyalleri ile kapsamlı karşılaştırması [3]. Özel makine öğrenimi için dört açık kaynak çerçevesinin stokunu alın: Theano, Caffe, Torch ve SciKit-learn, Google, Microsoft, OpenAI ve diğer devlerin yedi açık kaynak makine öğrenimi projesi bunu okumak için yeterli.
Orijinal bağlantı: