Блог Machine Learning | OTUS
Посты
Оптимизация работы квантовых компьютеров при помощи машинного обучения

Квантовые компьютеры, разработанные для того, чтобы значительно увеличить скорость вычислений, используют законы квантовой механики для исследования экспоненциального вычислительного пространства. Важным шагом, соединяющим теорию с практикой, является тщательная разработка средств для преобразования каждого квантового алгоритма в набор аналоговых управляющих сигналов. Правильный выбор этих элементов управления в конечном итоге определяет точность и скорость каждой операции.

Метод обратного распространения ошибки

Применение алгоритма обратного распространения ошибки — один из известных методов, используемых для глубокого обучения нейронных сетей прямого распространения (такие сети ещё называют многослойными персептронами). Этот метод относят к методу обучения с учителем, поэтому требуется задавать в обучающих примерах целевые значения. В этой статье мы рассмотрим, что собой представляет метод обратного распространения ошибки, как он реализуется, каковы его плюсы и минусы.

Что влияет на карьеру чиновника или «Муниципальные мойры»

В этой статье хочу поделиться с вами интересным опытом участия в хакатоне по машинному обучению «Муниципальные мойры». Он проводился Европейским университетом в Санкт-Петербурге.

Как Яндекс предсказывает будущее: от исправления ошибок до discovery-запросов

Люди не всегда точно формулируют свои запросы, поэтому поисковые системы должны помогать им в этом. Давайте поговорим о том, как работает эта технология в Яндексе. Опишем архитектуру и применяемые алгоритмы. А ещё вы узнаете, чем предсказание следующего запроса отличается от предсказания будущих интересов человека.

Детектирование частей тела посредством глубоких нейронных сетей

Сегодня я расскажу вам про один из методов решения задачи pose estimation. Задача состоит в детектировании частей тела на фотографиях, а метод называется DeepPose. Этот алгоритм был предложен ребятами из гугла еще в 2014 году. Казалось бы, не так давно, но не для области глубокого обучения. С тех пор появилось много новых и более продвинутых решений, но для полного понимания необходимо знакомство с истоками.

Deep Machine Learning

Технологии Deep Learning (глубокого обучения) подразумевают моделирование нейронных сетей человеческого мозга на компьютере. Deep Machine Learning или глубокое машинное обучение представляет попытку обучить компьютерную модель самостоятельно взаимодействовать с объектами аналогично мозгу человека, но без ограничений последнего по объёму операций и обрабатываемой информации. Для этого программе предлагаются большие объёмы данных, которые она может обрабатывать, не следуя жёстким программным ограничениям, а корректируя заданные алгоритмы анализа.

Датасеты для машинного обучения

Для машинного обучения надо очень много данных. Их можно собирать самому (что крайне утомительно) или использовать уже готовые (что гораздо быстрее). В этой статье вы найдёте уже готовые датасеты по самым разным категориям.

Как реализовать логистическую регрессию на Python?

ML_Deep_29.04-5020-656ade.png

Логистическая регрессия представляет собой алгоритм контролируемой классификации. С её помощью вы сможете предсказывать значения непрерывной зависимой переменной в интервале от 0 до 1. Некоторые основные аспекты логистической регрессии находятся в основе важных алгоритмов машинного обучения, позволяющих, к примеру, повышать точность прогноза нейросетевой модели.

Шпаргалка по разновидностям нейронных сетей. Часть 2

DLE_Deep_2.4-5020-07b3db.png

Продолжаем разговор о разновидностях нейронных сетей. В предыдущей статье мы говорили об элементарных архитектурах нейросетей, этот же материал будет посвящён более продвинутым конфигурациям.