Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
PyTorch for Deep Learning & Machine Learning – Full Course (parts 10-14)
PyTorch for Deep Learning & Machine Learning – Full Course
Part 10
Part 11
Part 12
Part 13
Part 14
PyTorch per Deep Learning e Machine Learning – Corso completo (descrizione delle parti 15-19)
PyTorch per Deep Learning e Machine Learning - Corso completo
Parte 15
Parte 16
Parte 17
Parte 18
studenti a partecipare alla replica della rete neurale nel codice PyTorch. L'istruttore procede quindi alla costruzione di una minuscola rete neurale convoluzionale VGG in PyTorch e spiega che gli autori di documenti di ricerca possono nominare nuove architetture modello per renderlo più facile per riferimenti futuri. Il codice viene inizializzato con forma di input, unità nascoste e forma di output, che sono parametri tipici nella creazione di un modello PyTorch.
Parte 19
PyTorch per Deep Learning e Machine Learning – Corso completo (descrizione delle parti 20-22)
PyTorch per Deep Learning e Machine Learning - Corso completo
Parte 20
Parte 21
Parte 22
PyTorch per Deep Learning e Machine Learning – Corso completo (descrizione delle parti 23-26)
PyTorch per Deep Learning e Machine Learning - Corso completo
Parte 23
Parte 24
Parte 25
Parte 26
No Black Box Machine Learning Course - Impara senza biblioteche
No Black Box Machine Learning Course - Impara senza biblioteche
00:00:00 - 01:00:00 In questo video di YouTube, l'istruttore presenta un corso di machine learning No Black Box che insegna come codificare in machine learning senza fare affidamento sulle librerie. Il corso copre argomenti relativi alla creazione di un'app Web che riconosce i disegni, inclusa la raccolta di dati, l'estrazione e la visualizzazione delle caratteristiche e l'implementazione di classificatori come il vicino più vicino e il vicino più vicino K. L'istruttore sottolinea l'importanza della comprensione dei dati nell'apprendimento automatico e suggerisce risorse per coloro che hanno bisogno di rispolverare la matematica delle scuole superiori e l'esperienza di programmazione. Il video mostra il processo di creazione di una pagina Web che funge da creatore di dati utilizzando JavaScript senza librerie esterne. Il presentatore include anche istruzioni su come creare un pulsante Annulla e un campo di immissione del nome, archiviare i disegni in un oggetto dati e salvare i percorsi sul computer dell'utente. Infine, il video mostra come creare un generatore di set di dati in node.js e generare i dati associati a ciascun campione utilizzando JavaScript.
01:00:00 - 02:00:00 In questo video di YouTube, l'istruttore insegna agli spettatori come creare un set di dati di machine learning ed estrarre funzionalità senza utilizzare le librerie. Dimostrano come archiviare il set di dati in una cartella in grado di comunicare tra gli script dei nodi e le app Web e creare un'app visualizzatore di dati. L'istruttore mostra anche come visualizzare i dati raccolti utilizzando i grafici di Google e come identificare ed enfatizzare gli elementi selezionati nel grafico e nell'elenco. Nel complesso, il video fornisce una guida completa per gli studenti per creare set di dati di machine learning ed estrarre funzionalità utilizzando solo JavaScript. 02:00:00 - 03:00:00 Il video "No Black Box Machine Learning Course – Learn Without Libraries" mostra come classificare i disegni in base alle loro caratteristiche senza utilizzare le librerie di machine learning. Il creatore del video sottolinea l'importanza di disporre di un sistema rapido e reattivo per l'ispezione dei dati per evitare errori manuali. Dimostrano come aggiungere funzionalità al grafico, come nascondere lo sfondo e come visualizzare le etichette previste sullo schermo utilizzando contenitori dinamici con HTML e CSS. Il video copre anche le tecniche di ridimensionamento dei dati come la normalizzazione e la standardizzazione. Infine, il video mostra come implementare il classificatore K dei vicini più vicini e contare il numero di ciascuna etichetta all'interno dei K vicini più vicini.
03:00:00 - 03:50:00 Il video di YouTube "No Black Box Machine Learning Course - Learn Without Libraries" copre vari argomenti relativi alla classificazione K-nearest neighbor senza utilizzare librerie di machine learning come JavaScript e Python. Il video spiega come suddividere i set di dati in set di addestramento e test, gestire separatamente i campioni di addestramento e test e normalizzare i dati. L'istruttore discute anche l'importanza dei limiti decisionali nella comprensione del funzionamento di un classificatore, dimostra come implementare un classificatore K-nearest neighbor (KNN) in JavaScript e generare un grafico basato su pixel senza utilizzare le librerie di machine learning. Infine, il video si conclude con un invito agli spettatori a esplorare le funzionalità aggiuntive di Python e riflettere su ciò che hanno appreso finora.
Parte 1
Parte 2
Parte 3
Parte 4
MIT 6.034 "Intelligenza Artificiale". Autunno 2010. Conferenza 1. Introduzione e scopo
1. Introduzione e scopo
Questo video è un'introduzione al corso MIT 6.034 "Artificial Intelligence" Il professore spiega la definizione di intelligenza artificiale e la sua importanza, e passa a discutere i modelli di pensiero e le rappresentazioni che sono importanti per comprendere l'argomento. Infine, il video fornisce una breve panoramica del corso, incluso come viene calcolato il voto e cosa comporteranno il quiz e la finale.
Lezione 2. Ragionamento: alberi degli obiettivi e risoluzione dei problemi
2. Ragionamento: alberi degli obiettivi e risoluzione dei problemi
Questo video illustra come ragionare, alberi degli obiettivi e risolvere i problemi. Introduce una tecnica chiamata "riduzione del problema" e spiega come può essere utilizzata per risolvere problemi di calcolo. Discute anche come utilizzare le trasformazioni euristiche per risolvere i problemi e come la conoscenza può essere utilizzata per risolvere problemi in domini complessi.
Lezione 3. Ragionamento: alberi degli obiettivi e sistemi esperti basati su regole
3. Ragionamento: alberi degli obiettivi e sistemi esperti basati su regole
Questo video spiega come funziona un sistema esperto basato su regole. Il sistema è progettato per risolvere problemi difficili da risolvere utilizzando metodi più tradizionali. Il sistema è composto da diverse regole collegate da e cancelli, che consentono al sistema di riconoscere con certezza un animale specifico.
Lezione 4. Ricerca: Depth-First, Hill Climbing, Beam
4. Ricerca: Profondità, Arrampicata, Trave
In questo video di YouTube, Patrick Winston illustra diversi algoritmi di ricerca, tra cui le ricerche Depth-first, Hill Climbing, Beam e Best-first. Usando una mappa come esempio, dimostra i vantaggi e i limiti di ciascun algoritmo e come la comprensione di diversi metodi di ricerca può migliorare le capacità di risoluzione dei problemi. Winston discute anche dell'applicazione degli algoritmi di ricerca nei sistemi intelligenti, utilizzando il sistema Genesis per rispondere alle domande sulla storia di Macbeth. Introduce anche il concetto di vittoria di Pirro e come i programmi di ricerca possono scoprire tali situazioni esaminando i grafici e riportando i loro risultati in inglese. Nel complesso, il video fornisce una panoramica completa degli algoritmi di ricerca e del loro utilizzo pratico in scenari reali.
Lezione 5. Ricerca: Ottimale, Branch and Bound, A*
5. Ricerca: Ottimale, Branch and Bound, A*
Il video discute diversi algoritmi di ricerca per trovare il percorso più breve tra due luoghi, concentrandosi sull'esempio della Route 66 tra Chicago e Los Angeles. Il video introduce il concetto di distanza euristica e fornisce esempi di diversi algoritmi di ricerca, come hill climbing, beam search e branch and bound. Il relatore sottolinea l'importanza di utilizzare euristiche ammissibili e coerenti nell'algoritmo A* per ottimizzare la ricerca. Inoltre, il video rileva l'efficacia dell'utilizzo di un elenco esteso e delle distanze aeree per determinare i limiti inferiori del percorso più breve. In definitiva, il video si conclude con la promessa di discutere ulteriori perfezionamenti dell'algoritmo A* nella prossima lezione.