Redes Neurônicas, Tipos e Programação Funcional

Originalmente Postado em dezembro 11, 2017 @ 11:54 am– http://colah.github.io/posts/2015-09-NN-Types-FP/ Postado em 3 de setembro de 2015 Um Campo Ad-Hoc A aprendizagem profunda, apesar dos seus sucessos notáveis, é um campo jovem. Enquanto os modelos chamados de redes neurais artificiais foram estudados há décadas, grande parte desse trabalho parece apenas ligeiramente ligado aos resultados modernos….

Compreendendo LSTM Networks

Originalmente Postado em dezembro 11, 2017 @ 12:07 pm– http://colah.github.io/posts/2015-08-Understanding-LSTMs/ Postado em 27 de agosto de 2015 Redes Neurais Recorrentes Os seres humanos não começam a pensar desde zero a cada segundo. Ao ler este ensaio, você entende cada palavra com base a sua compreensão de palavras anteriores. Você não esquece tudo e começa a…

Atenção e Reduções Neurais Recorrentes Aumentadas

Originalmente Postado em dezembro 11, 2017 @ 12:26 pm– https://distill.pub/2016/augmented-rnns/ CHRIS OLAH Google Brain SHAN CARTER Google Brain 8 de setembro de 2016 Citação: Olah & Carter, 2016 As redes neurais recorrentes são um dos elementos básicos da aprendizagem profunda, permitindo que as redes neurais funcionem com sequências de dados como texto, áudio e vídeo….

Conv Nets: Uma Perspectiva Modular

Originalmente Postado em dezembro 11, 2017 @ 12:40 pm– http://colah.github.io/posts/2014-07-Conv-Nets-Modular/ Postado em 8 de julho de 2014 redes neurais, aprendizagem profunda, redes neurais convolutivas, redes neurais modulares Introdução Nos últimos anos, as redes neurais profundas levaram a resultados inovadores em diversos problemas de reconhecimento de padrões, como a visão por computador e o reconhecimento de…

Entendendo as convoluções

Originalmente Postado em dezembro 11, 2017 @ 1:00 pm– http://colah.github.io/posts/2014-07-Understanding-Convolutions/ Postado em 13 de julho de 2014 redes neurais, redes neurais convolutivas, convolução, matemática, probabilidade Em uma publicação anterior, construímos uma compreensão das redes neurais convolutivas, sem referir-nos a nenhuma matemática significativa. Para avançar, no entanto, precisamos compreender as convoluções. Se quiséssemos entender as redes…

Grupos e convoluções grupais

Originalmente Postado em dezembro 11, 2017 @ 1:25 pm– http://colah.github.io/posts/2014-12-Groups-Convolution/ Postado em 8 de dezembro de 2014 teoria do grupo, probabilidade, convolução, matemática Simetria Pense num quadrado. É simétrico? Como é simétrico? Qual é a simetria? Qual é o tipo de simetria? O que significam essas perguntas? Se você perguntar a alguém, eles podem dizer-lhe…

Visualizando MNIST: Uma Exploração de Redução de Dimensionalidade

Originalmente Postado em dezembro 11, 2017 @ 3:50 pm– http://colah.github.io/posts/2014-10-Visualizing-MNIST/ Postado em 9 de outubro de 2014 MNIST, visualização de dados, aprendizagem automática de máquinas, incorporação de palavras, redes neurais, aprendizagem profunda Em algum nível fundamental, ninguém entende a aprendizagem automática. Não é uma questão de coisas muito complicadas. Quase tudo o que fazemos é…

Visualizando Representações: Aprendizagem Profunda e Seres Humanos

Originalmente Postado em dezembro 11, 2017 @ 4:00 pm– http://colah.github.io/posts/2015-01-Visualizing-Representations/ Postado em 16 de janeiro de 2015 visualização de dados, aprendizado de máquinas, incorporação de palavras, redes neurais, aprendizado profundo, interface do usuário, wikipedia Em uma publicação anterior, exploramos técnicas para visualizar dados de alta dimensão. Tentando visualizar dados dimensionais elevados é, por si só,…

Inceptionism: Aprofundando as redes neurais

Originalmente Postado em dezembro 11, 2017 @ 4:07 pm– https://research.googleblog.com/2015/06/inceptionism-going-deeper-into-neural.html Quarta-feira, 17 de junho de 2015 Postado por Alexander Mordvintsev, engenheiro de software, Christopher Olah, técnico de engenharia de software e Mike Tyka, engenheiro de software Atualização – 13/07/2015 As imagens nesta postagem no blog são licenciadas pela Google Inc. sob uma licença internacional Creative…

© All Right Reserved