Google Vision API-д объект танихад зориулсан урьдчилан тодорхойлсон ангилал юу вэ?
Google Cloud-ийн машин сургалтын чадавхийн нэг хэсэг болох Google Vision API нь объект таних зэрэг дүрсийг ойлгох дэвшилтэт функцуудыг санал болгодог. Объект таних хүрээнд API нь зураг доторх объектуудыг үнэн зөв тодорхойлохын тулд урьдчилан тодорхойлсон категориудыг ашигладаг. Эдгээр урьдчилан тодорхойлсон категориуд нь API-ийн машин сургалтын загваруудыг ангилах лавлах цэг болдог
- онд хэвлэгдсэн Хиймэл оюун, EITC/AI/GVAPI Google Vision API, Нарийвчилсан зураглалыг ойлгох, Объект илрүүлэх
Хэрхэн оруулах давхаргыг ашиглан үгсийг вектор болгон дүрслэх графикт тохирох тэнхлэгүүдийг автоматаар хуваарилах вэ?
Үгсийн дүрслэлийг вектор болгон дүрслэхийн тулд зохих тэнхлэгүүдийг автоматаар хуваарилах зорилгоор оруулах давхаргыг ашиглахын тулд бид үг оруулах үндсэн ойлголтууд болон тэдгээрийг мэдрэлийн сүлжээнд ашиглах хэрэгтэй. Үг оруулах нь үг хоорондын утгын харилцааг дүрсэлсэн тасралтгүй вектор орон зай дахь үгсийн нягт вектор дүрслэл юм. Эдгээр суулгацууд нь
- онд хэвлэгдсэн Хиймэл оюун, EITC/AI/TFF TensorFlow Fundamentals, TensorFlow ашиглан мэдрэлийн бүтэцтэй сургалт, Мэдрэлийн бүтэцтэй сургалтын хүрээний тойм
CNN-д хамгийн их нөөц бүрдүүлэх зорилго юу вэ?
Макс нэгтгэх нь Convolutional Neural Networks (CNN)-ийн чухал үйл ажиллагаа бөгөөд шинж чанарыг задлах, хэмжээсийг багасгахад чухал үүрэг гүйцэтгэдэг. Зургийн ангиллын даалгаврын хүрээнд функцийн газрын зургийг багасгахын тулд эргэлтийн давхаргын дараа хамгийн их нэгтгэх аргыг ашигладаг бөгөөд энэ нь тооцооллын төвөгтэй байдлыг багасгахын зэрэгцээ чухал шинж чанаруудыг хадгалахад тусалдаг. Үндсэн зорилго
- онд хэвлэгдсэн Хиймэл оюун, EITC/AI/TFF TensorFlow Fundamentals, TensorFlow.js програм, TensorFlow ашиглан хувцасны зургийг ангилах
Хувирмал мэдрэлийн сүлжээ (CNN) дахь шинж чанарыг задлах процессыг дүрсийг танихад хэрхэн ашигладаг вэ?
Онцлогыг задлах нь дүрсийг таних даалгавруудад хэрэглэгдэх конвульцийн мэдрэлийн сүлжээ (CNN) процессын чухал алхам юм. CNN-д шинж чанарыг задлах процесс нь үнэн зөв ангиллыг хөнгөвчлөхийн тулд оролтын зургуудаас утга учиртай шинж чанаруудыг гаргаж авдаг. Зургийн түүхий пикселийн утгууд нь ангиллын ажилд шууд тохиромжгүй тул энэ процесс зайлшгүй шаардлагатай. By
- онд хэвлэгдсэн Хиймэл оюун, EITC/AI/TFF TensorFlow Fundamentals, TensorFlow.js програм, TensorFlow ашиглан хувцасны зургийг ангилах
TensorFlow.js дээр ажиллаж байгаа машин сургалтын загваруудад асинхрон сургалтын функцийг ашиглах шаардлагатай юу?
TensorFlow.js дээр ажиллаж байгаа машин сургалтын загваруудын хүрээнд асинхрон сургалтын функцийг ашиглах нь туйлын хэрэгцээ биш боловч загваруудын гүйцэтгэл, үр ашгийг мэдэгдэхүйц нэмэгдүүлэх боломжтой. Асинхрон сургалтын функцууд нь тооцоолол хийх боломжийг олгох замаар машин сургалтын загваруудын сургалтын үйл явцыг оновчтой болгоход чухал үүрэг гүйцэтгэдэг.
- онд хэвлэгдсэн Хиймэл оюун, EITC/AI/TFF TensorFlow Fundamentals, TensorFlow.js програм, Ангиллыг гүйцэтгэх мэдрэлийн сүлжээг бий болгох
TensorFlow Keras Tokenizer API үгийн хамгийн их тооны параметр хэд вэ?
TensorFlow Keras Tokenizer API нь байгалийн хэлний боловсруулалтын (NLP) даалгаврын чухал алхам болох текст өгөгдлийг үр дүнтэй токенжуулах боломжийг олгодог. TensorFlow Keras-д Tokenizer instance-ийг тохируулах үед тохируулж болох параметрүүдийн нэг нь давтамж дээр тулгуурлан хадгалагдах үгсийн хамгийн их тоог тодорхойлдог `num_words` параметр юм.
TensorFlow Keras Tokenizer API-г хамгийн түгээмэл үгсийг олоход ашиглаж болох уу?
TensorFlow Keras Tokenizer API нь текст доторх хамгийн түгээмэл үгсийг олоход үнэхээр ашиглагдаж болно. Токенжуулалт нь байгалийн хэлний боловсруулалтын (NLP) үндсэн алхам бөгөөд цаашдын боловсруулалтыг хөнгөвчлөхийн тулд текстийг жижиг нэгж, ихэвчлэн үг эсвэл дэд үг болгон задлах явдал юм. TensorFlow дахь Tokenizer API нь үр дүнтэй токенжуулалт хийх боломжийг олгодог
- онд хэвлэгдсэн Хиймэл оюун, EITC/AI/TFF TensorFlow Fundamentals, TensorFlow ашиглан байгалийн хэл боловсруулах, Токенизаци
TOCO гэж юу вэ?
TensorFlow Lite Optimizing Converter гэсэн үгийн товчлол болох TOCO нь TensorFlow экосистемийн чухал бүрэлдэхүүн хэсэг бөгөөд хөдөлгөөнт болон захын төхөөрөмжүүдэд машин сургалтын загваруудыг нэвтрүүлэхэд чухал үүрэг гүйцэтгэдэг. Энэхүү хөрвүүлэгч нь ухаалаг гар утас, IoT төхөөрөмж болон суулгагдсан систем зэрэг нөөцийн хязгаарлагдмал платформ дээр ашиглахын тулд TensorFlow загваруудыг оновчтой болгох зорилгоор тусгайлан бүтээгдсэн.
- онд хэвлэгдсэн Хиймэл оюун, EITC/AI/TFF TensorFlow Fundamentals, TensorFlow програмчлах, TensorFlow кодчилолын танилцуулга
Машин сургалтын загвар дахь хэд хэдэн эрин үе ба загварыг ажиллуулахаас урьдчилан таамаглах нарийвчлалын хооронд ямар хамааралтай вэ?
Машин сургалтын загвар дахь эрин үеийн тоо ба таамаглалын нарийвчлалын хоорондын хамаарал нь тухайн загварын гүйцэтгэл, ерөнхий чадварт ихээхэн нөлөөлдөг чухал тал юм. Эрин үе гэдэг нь сургалтын бүх мэдээллийн багцыг нэг удаа бүрэн дамжуулж байгааг хэлнэ. Эрин үеийн тоо нь таамаглалын үнэн зөв байдалд хэрхэн нөлөөлдөгийг ойлгох нь чухал юм
- онд хэвлэгдсэн Хиймэл оюун, EITC/AI/TFF TensorFlow Fundamentals, Асуудлыг хэт тохирох, дутуу тохируулах, Загварын хэт тохирох ба дутуу тохирох асуудлыг шийдвэрлэх - 1-р хэсэг
TensorFlow-ийн мэдрэлийн бүтэцтэй сургалтын API-тай хөрш зэргэлдээх багц нь байгалийн график өгөгдөл дээр суурилсан сургалтын нэмэгдүүлсэн мэдээллийн багц үүсгэдэг үү?
Энэхүү багц нь TensorFlow-ийн Neural Structured Learning (NSL)-ийн API-тай хөрш зэргэлдээх нь байгалийн график өгөгдөл дээр суурилсан сургалтын нэмэгдүүлсэн мэдээллийн багцыг бий болгоход чухал үүрэг гүйцэтгэдэг. NSL нь график бүтэцтэй өгөгдлийг сургалтын процесст нэгтгэдэг машин сургалтын тогтолцоо бөгөөд онцлог өгөгдөл болон график өгөгдлийг хоёуланг нь ашиглан загварын гүйцэтгэлийг сайжруулдаг. Ашиглах замаар
- онд хэвлэгдсэн Хиймэл оюун, EITC/AI/TFF TensorFlow Fundamentals, TensorFlow ашиглан мэдрэлийн бүтэцтэй сургалт, Байгалийн графиктай сургалт