Мы уже рассказывали о такой известной библиотеке для машинного обучения, как TensorFlow. В чем же ее преимущества?
Мы уже рассказывали о такой известной библиотеке для машинного обучения, как TensorFlow. В чем же ее преимущества?
TensorFlow представляет собой библиотеку для машинного обучения, которая предоставляет возможность обучать искусственный интеллект с целью решения конкретных задач. Среди таких задач -- распознавание текстов и изображений, задачи кластеризации и классификации, популярные ныне задачи обработки больших данных. В чем же особенности этой библиотеки?
Онлайн эксперименты – рискованное занятие: когда изменения, которые мы тестируем, плохие, бизнес теряет пользователей и деньги. В научной статье под названием "Accordion: A Trainable Simulator for Long-Term Interactive Systems" авторы предлагают обучить симулятор, который можно запускать офлайн и тестировать гипотезы безопасно для бизнеса. Выводы, полученные на этом симуляторе, точнее, чем выводы, полученные на других. Что же, давайте сделаем краткий обзор этой работы.
В последнее время всё чаще возникает потребность том, чтобы объяснить, как тот или иной алгоритм машинного обучения принимает решения. Статья обещает дать интерпретацию эмбеддингам матричной факторизации. Материал представляет собой обзор научной работы "Matrix Factorization for Collaborative Filtering Is Just Solving an Adjoint Latent Dirichlet Allocation Model After All".
В этой заметке рассмотрим 2 основных мифа, которые связаны с внедрением искусственного интеллекта.
Data science-специалисты позволяют решать конкретные бизнес-проблемы. В книге Booz Allen Hamilton указано, что, повысив используемость данных на 10%, компания может на 49% повысить свою продуктивность. При улучшении доступности данных всего на 10%, потенциальный ROA (возврат на активы, return on asset) в компании может возрасти на 42%. Те организации, которые по максимуму используют потенциал больших данных, сообщают о росте ROI (возврат на инвестицию, return on investment) на 241%. А эффективное использование аналитики данных в масштабах всей компании повышает ROI на 1000%.
В некоторых случаях при работе с вектором необходимо знать размер вектора. В таких ситуациях помогают специальные функции, называемые нормами — Ln.
Из операций с матрицами можно выделить транспонирование, псевдоинверсию, преобразование в скаляр, умножение на вектор и умножение на обратную матрицу. Знание этих операций пригодится вам в контексте понимания принципов работы ИИ.
Математическое ожидание определяется в теории вероятностей в качестве среднего значения повторения некоторого события. Можно сказать, что ожидаемое значение функции f(x) над распределением вероятностей P(x) — это среднее значение f в случае, если x берётся из P.
Данная статья даст вам представление о базовых концепциях линейной алгебры — необходимых основах для всех, кто профессионально интересуется машинным обучением, искусственным интеллектом и нейронными сетями. Помните, что многие концепции, используемые в вышеописанных областях, основаны на математических принципах и были открыты более 50 лет назад.
