Джейд Картер

748 subscribers
We'll send a notification about new books, audiobooks, podcasts

Quotes

120 практических задач

Text
Average rating 5 based on 139 ratings

60, 000 цветных изображений размером 32x32 пикселей, принадлежащих к 10 различным классам. Свёрточные нейронные сети (CNN) – это класс глубинных нейронных сетей, разработанных специально для работы с двумерными данными, такими как изображения. В отличие от полносвязных сетей, где каждый нейрон связан со всеми нейронами предыдущего слоя, CNN используют свёрточные слои, которые применяют фильтры (или ядра) для извлечения локальных признаков из входных данных. Это

Пример 1 Давайте рассмотрим пример использования иерархической кластеризации на наборе данных о потреблении энергии в различных странах. Допустим, у нас есть данные

Оптимизация в Python

Text
Average rating 4,9 based on 315 ratings

Оптимизация кода – это процесс улучшения производительности и эффективности программного кода с целью сокращения времени выполнения задачи или снижения потребления ресурсов. Этот процесс включает в себя ряд техник и методов, которые могут быть применены к коду, чтобы сделать его более эффективным.

Нейросети. Генерация изображений

Text
Average rating 4,9 based on 406 ratings

В дискриминаторе, пакетная нормализация помогает улучшить способность модели различать реальные и сгенерированные данные. Это способствует более стабильному и эффективному обучению дискриминатора, что в свою очередь повышает производительность всей системы GAN.

Нейросети практика

Text
Average rating 4,9 based on 491 ratings

Джейд Картер Нейросети практика

Путь лидера

Text
Average rating 4,9 based on 182 ratings

командой и обеспечение эффективности работы. Однако, чтобы стать эффективным руководителем, необходимо обладать определенными навыками и качествами. В книге мы сфокусировались на ключевых аспектах, которые помогут руководителю добиться успеха в своей работе. Мы рассмотрим, как выстраивать работу

Нейросети начало

Text
Average rating 4,8 based on 475 ratings

keras.layers.Dense(64, activation=relu), keras.layers.Dense(10, activation=softmax)