Машинное обучение (англ Machine Learning) — обширный подраздел искусственного интеллекта, математическая дисциплина, использующая разделы математической статистики, численных методов оптимизации, теории вероятностей, дискретного анализа, и извл

Рейтинг: 13
Создана: 4 года назад
Владелец: root

Machine Learning/Data Mining/Big Data

Основная информация

Машинное обучение (англ Machine Learning) — обширный подраздел искусственного интеллекта, математическая дисциплина, использующая разделы математической статистики, численных методов оптимизации, теории вероятностей, дискретного анализа, и извлекающая знания из данных.

Data Mining (рус. добыча данных, интеллектуальный анализ данных, глубинный анализ данных) — собирательное название, используемое для обозначения совокупности методов обнаружения в данных ранее неизвестных, нетривиальных, практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности.

Стена группы

Загрузка...
9 часов назад
#

5. Оптимизация в логистической регрессии, метрики классификации: лекция (19.10.19)


1 день назад
#

5. Логические алгоритмы: семинар (19.10.19)


1 день назад
#

[BayesGroup Seminar]: Why do neural nets learn and generalize?


2 дня назад
#

Autogenerating Supervised Learning Programs


Сегодня обучение с учителем решает огромное количество задач: от обнаружение спам-писем и предсказания прибыли с акций до сопоставления последовательностей генов заболеваниям. Аналитики при решении таких задач применяют присущие аналитикам систематизированные знания, опыт решения предыдущих задач, интуицию и знания о предметной области, из которой собраны данные.

На этом семинаре мы разберем статью, в которой авторы предлагают автоматизировать построение решения задачи обучения с учителем. Система, решающая эту задачу, строит пайплайны, состоящие из одного или нескольких преобразований над данными и обучение одного из алгоритмов машинного обучения.

Такие пайплайны генерируются моделью, обученной на существующих решениях различных задач обучения с учителем. Предполагается, что таким образом модель может выучить некоторые аналитические знания и собрать богатый опыт решения подобных задач.

Модель способна применять API заранее выбранных библиотек. Причем для добавления новой библиотеки требуется минимум усилий. Также преимуществом данного подхода является высокая скорость работы построения пайплайнов по сравнению с подходами, основанных на переборе.

Докладчик: Ярослав Соколов.

Ссылка: https://research.jetbrains.org/files/...

2 дня назад
#

Theoretical Deep Learning #2: Worst-case bounds. Part 5. PAC-bayesian bounds. Part1


Авторизация

Войдите, используя Ваш аккаунт

Войти с помощью

Пользователи