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.

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.

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

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.

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.

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.

В этой статье мы расскажем про 5 трендов в сфере AI и ML в 2020 году.

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.

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.

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