Публикации по теме 'embedding'
Интуитивное объяснение GraphSAGE
Индуктивное обучение полезно в динамических наборах данных. Здесь мы обсуждаем алгоритм индуктивного обучения на графах.
Вступление
В предыдущем рассказе мы говорили о DeepWalk, алгоритме для изучения представлений узлов. Если вы не знакомы с DeepWalk, вы можете проверить предыдущий рассказ.
Интуитивное объяснение DeepWalk Машинное обучение в сетях имеет очевидные преимущества. В этой истории мы обсуждаем DeepWalk, чтобы изучить встраивание узлов...
Связывание нейронных сущностей в JPMorgan Chase
Что такое привязка объектов?
Это задача присвоения уникального идентификатора неоднозначным упоминаниям именованных объектов в тексте.
Здесь « Париж » из текста получает уникальный идентификатор через URL-адрес (наиболее распространенный тип URI ) « wikipedia.org/wiki/Paris ». Обратите внимание, что тип URI, используемый для идентификации упомянутого объекта, однозначно зависит от домена. Например, вместо веб-адреса мы могли бы использовать ISBN, если бы нам нужно было..
Сжатие, поиск, интерполяция и кластеризация изображений с использованием машинного обучения
Как использовать вложения изображений для сжатия, поиска, интерполяции и кластеризации
Встраивание в машинное обучение позволяет создавать сжатые, низкоразмерные представления сложных неструктурированных данных. Вложения обычно используются при обработке естественного языка для представления слов или предложений в виде чисел.
В более ранней статье я показал, как создать краткое представление (50 чисел) изображений 1059x1799 HRRR. В этой статье я покажу вам, что встраивание обладает..
Проверка гипотез крошечного набора данных путем проецирования предварительно обученного пространства встраивания на смешанное пространство KDE
Метод в основном для помощи в быстром создании прототипов, управляемом тематическом моделировании, проверке гипотез, проверке концепции путем информационного преобразования, ориентированного на предметную область.
Задачи классификации текстов обычно требуют большого количества выборок и тонкой семантической изменчивости для надежного моделирования. Во многих случаях имеющихся данных недостаточно как для подсчета выборки, так и для чрезмерной асимметрии категорий, а также для низкой..
Векторизация текста: магия преобразования текста в числа
Магия преобразования текста в числа
В этом посте вы познакомитесь с основами векторизации текста, которая заключается в преобразовании текста в векторы (список чисел). В этом посте мы представляем пакет слов (BOW) и его разновидности: векторы частот, одно горячее кодирование (OHE) и частоту термина / обратную частоту документа (TF / IDF).
Почему векторизация текста?
Представление текста числами имеет много преимуществ, в основном:
Компьютеры не понимают текст и отношения между..
Масштабное использование НЛП, чтобы лучше помочь людям найти подходящую работу — Часть 3: определение модели и обучение
Масштабное использование НЛП, чтобы помочь людям найти подходящую работу. Часть 3: определение модели и обучение
Это последняя из серии статей о том, как мы в Jobtome ежедневно классифицируем миллионы объявлений о вакансиях, чтобы обогатить наш список и помочь людям найти подходящую работу. Вы можете прочитать первую часть здесь и вторую часть здесь .
В предыдущем посте мы описали потребность в Jobtome в создании модели для классификации объявлений о вакансиях по категориям..
Fast.ai Deep Learning Часть 1 — Урок 4 Мои личные заметки.
Вывод. Сегодня мы рассмотрим, как использовать глубокое обучение в структурированных данных, языковой прогресс и рекомендации фильмов.
"Код"
"Видео"
Dropout означает, что каждый установленный слой будет удалять некоторые параметры. Например, если выпадение равно 0,6, оно удалит 60% значений в этом слое. Dropout не сильно меняет слой, но делает его более обобщенным. С отсевом вы можете избежать переобучения. Например, без выпадения слой может начать распознавать собачий глаз на..
