Ano ang ibig sabihin ng pagsasanay ng isang modelo? Aling uri ng pag-aaral: malalim, ensemble, paglipat ang pinakamahusay? Mabisa ba ang pag-aaral nang walang katapusan?
Ang pagsasanay ng isang "modelo" sa larangan ng Artificial Intelligence (AI) ay tumutukoy sa proseso ng pagtuturo ng isang algorithm upang makilala ang mga pattern at gumawa ng mga hula batay sa input data. Ang prosesong ito ay isang mahalagang hakbang sa machine learning, kung saan natututo ang modelo mula sa mga halimbawa at ginagawang pangkalahatan ang kaalaman nito upang makagawa ng mga tumpak na hula sa hindi nakikitang data. doon
- Inilathala sa Artipisyal na Talino, EITC/AI/GCML Google Cloud Machine Learning, pagpapakilala, Ano ang pagkatuto ng makina
Ano ang transfer learning at bakit ito ang pangunahing use case para sa TensorFlow.js?
Ang paglipat ng pag-aaral ay isang mahusay na pamamaraan sa larangan ng malalim na pag-aaral na nagpapahintulot sa mga pre-trained na modelo na magamit bilang panimulang punto para sa paglutas ng mga bagong gawain. Ito ay nagsasangkot ng pagkuha ng isang modelo na sinanay sa isang malaking dataset at muling paggamit ng natutunan nitong kaalaman upang malutas ang ibang ngunit nauugnay na problema. Ang diskarte na ito ay
- Inilathala sa Artipisyal na Talino, EITC/AI/DLTF Malalim na Pag-aaral gamit ang TensorFlow, Malalim na pag-aaral sa browser gamit ang TensorFlow.js, pagpapakilala, Pagsusuri sa pagsusulit
Paano pinapagana ng TensorFlow.js ang mga bagong pagkakataon sa negosyo?
Ang TensorFlow.js ay isang malakas na framework na nagdadala ng mga kakayahan ng malalim na pag-aaral sa browser, na nagbibigay-daan sa mga bagong pagkakataon sa negosyo sa larangan ng Artificial Intelligence (AI). Ang makabagong teknolohiyang ito ay nagbibigay-daan sa mga developer na gamitin ang potensyal ng mga modelo ng malalim na pag-aaral nang direkta sa mga web application, na nagbubukas ng malawak na hanay ng mga posibilidad para sa mga negosyo sa iba't ibang industriya.
- Inilathala sa Artipisyal na Talino, EITC/AI/DLTF Malalim na Pag-aaral gamit ang TensorFlow, Malalim na pag-aaral sa browser gamit ang TensorFlow.js, pagpapakilala, Pagsusuri sa pagsusulit
Ano ang layunin ng pagsuri kung mayroon nang naka-save na modelo bago ang pagsasanay?
Kapag nagsasanay ng malalim na modelo ng pag-aaral, mahalagang suriin kung mayroon nang naka-save na modelo bago simulan ang proseso ng pagsasanay. Ang hakbang na ito ay nagsisilbi sa ilang layunin at maaaring lubos na makinabang sa daloy ng trabaho sa pagsasanay. Sa konteksto ng paggamit ng convolutional neural network (CNN) upang matukoy ang mga aso kumpara sa mga pusa, ang layunin ng pagsuri kung ang isang
- Inilathala sa Artipisyal na Talino, EITC/AI/DLTF Malalim na Pag-aaral gamit ang TensorFlow, Paggamit ng convolutional neural network upang makilala ang mga aso kumpara sa mga pusa, Pagsasanay sa network, Pagsusuri sa pagsusulit
Ano ang mga pakinabang ng pagsasama ng higit pang mga layer sa Deep Asteroid program?
Sa larangan ng artificial intelligence, partikular sa domain ng pagsubaybay sa mga asteroid gamit ang machine learning, ang pagsasama ng higit pang mga layer sa Deep Asteroid program ay maaaring mag-alok ng ilang benepisyo. Ang mga benepisyong ito ay nagmumula sa kakayahan ng mga malalim na neural network na matuto ng mga kumplikadong pattern at representasyon mula sa data, na maaaring mapahusay ang katumpakan at pagganap ng
- Inilathala sa Artipisyal na Talino, EITC/AI/TFF TensorFlow Fundamentals, Mga Application ng TensorFlow, Pagsubaybay sa mga asteroid na may pag-aaral sa makina, Pagsusuri sa pagsusulit
Bakit pinili ng team ang ResNet 50 bilang modelong arkitektura para sa pagkakategorya ng mga larawan sa listahan?
Napili ang ResNet 50 bilang arkitektura ng modelo para sa pagkakategorya ng mga larawan sa listahan sa application ng machine learning ng Airbnb dahil sa ilang mapanghikayat na dahilan. Ang ResNet 50 ay isang malalim na convolutional neural network (CNN) na nagpakita ng pambihirang pagganap sa mga gawain sa pag-uuri ng imahe. Ito ay isang variant ng pamilya ng ResNet ng mga modelo, na kilala para sa
- Inilathala sa Artipisyal na Talino, EITC/AI/TFF TensorFlow Fundamentals, Mga Application ng TensorFlow, Ang Airbnb gamit ang ML ay ikinategorya ang listahan ng mga larawan sa listahan, Pagsusuri sa pagsusulit
Paano napagtagumpayan ng mga mananaliksik ang hamon ng pagkolekta ng data para sa pagsasanay ng kanilang mga modelo ng machine learning sa konteksto ng pag-transcribe ng mga medieval na teksto?
Hinarap ng mga mananaliksik ang ilang hamon kapag nangongolekta ng data para sa pagsasanay ng kanilang mga modelo ng machine learning sa konteksto ng pag-transcribe ng mga medieval na teksto. Ang mga hamon na ito ay nagmula sa mga natatanging katangian ng medieval na mga manuskrito, tulad ng kumplikadong mga istilo ng sulat-kamay, kupas na tinta, at pinsalang dulot ng edad. Ang pagtagumpayan sa mga hamong ito ay nangangailangan ng kumbinasyon ng mga makabagong pamamaraan at maingat na pag-curate ng data.
- Inilathala sa Artipisyal na Talino, EITC/AI/TFF TensorFlow Fundamentals, Mga Application ng TensorFlow, Ang pagtulong sa mga paleographer na makapagsalin ng tekstong medieval sa ML, Pagsusuri sa pagsusulit
Ano ang ilang posibleng paraan upang galugarin para sa pagpapabuti ng katumpakan ng modelo sa TensorFlow?
Ang pagpapabuti ng katumpakan ng isang modelo sa TensorFlow ay maaaring isang kumplikadong gawain na nangangailangan ng maingat na pagsasaalang-alang sa iba't ibang mga kadahilanan. Sa sagot na ito, tutuklasin namin ang ilang posibleng paraan para mapahusay ang katumpakan ng isang modelo sa TensorFlow, na tumutuon sa mga high-level na API at mga diskarte para sa pagbuo at pagpino ng mga modelo. 1. Preprocessing ng data: Isa sa mga pangunahing hakbang
Ano ang layunin ng pag-save at pag-load ng mga modelo sa TensorFlow?
Ang layunin ng pag-save at pag-load ng mga modelo sa TensorFlow ay upang paganahin ang pagpapanatili at muling paggamit ng mga sinanay na modelo para sa hinaharap na hinuha o mga gawain sa pagsasanay. Ang pag-save ng isang modelo ay nagbibigay-daan sa amin na mag-imbak ng mga natutunang parameter at arkitektura ng isang sinanay na modelo sa disk, habang ang pag-load ng isang modelo ay nagpapahintulot sa amin na ibalik ang mga naka-save na parameter na ito at
- Inilathala sa Artipisyal na Talino, EITC/AI/TFF TensorFlow Fundamentals, Pagsulong sa TensorFlow, Mga modelo ng pag-save at paglo-load, Pagsusuri sa pagsusulit
Paano nakakatulong ang dataset ng Fashion MNIST sa gawain sa pag-uuri?
Ang dataset ng Fashion MNIST ay isang malaking kontribusyon sa gawain ng pag-uuri sa larangan ng artificial intelligence, partikular sa paggamit ng TensorFlow upang pag-uri-uriin ang mga larawan ng damit. Ang dataset na ito ay nagsisilbing kapalit para sa tradisyonal na MNIST dataset, na binubuo ng mga sulat-kamay na digit. Ang dataset ng Fashion MNIST, sa kabilang banda, ay binubuo ng 60,000 grayscale na larawan
- 1
- 2