Laktawan sa pangunahing nilalaman

Mga kontribusyon

Ipinapakita ang mga post na may label pag-aaral ng machine

Mga halimbawa ng artipisyal na katalinuhan: impormasyon ng trapiko mula sa data ng lokasyon ng smartphone

Ang madaling pag-commuter ay hindi madaling malutas. Ang isang solong paglalakbay ay maaaring kasangkot ng maraming mga mode ng transportasyon (ie Train Station, Train sa Optimal Stop, at pagkatapos ay maglakad o gamitin ang Sharing Service mula sa hihinto hanggang sa huling patutunguhan), hindi sa banggitin ang inaasahan at hindi inaasahang: disenyo; mga aksidente; pagpapanatili ng mga kalsada o track; at ang mga kondisyon ng panahon ay maaaring limitahan ang daloy ng trapiko nang kaunti nang walang babala. Bukod dito, ang mga pangmatagalang mga uso ay maaaring hindi magkatugma sa makasaysayang data depende sa mga pagbabago sa populasyon at demograpiko, ang lokal na ekonomiya at mga patakaran sa spatial na pagpaplano. Narito kung paano natulungan ng AI na matugunan ang pagiging kumplikado ng trapiko.
AI pinalakas ng Google
Ang paggamit ng data ng hindi nagpapakilalang lokasyon mula sa mga smartphone, maaaring pag-aralan ng Google Maps (Mga Mapa) ang bilis sa anumang oras. Ang mga mapa ay maaaring magpasalamat pagkuha ng Waze transport app Sa mga inilalaan ng maraming tao noong 2013, mas madaling isama ang mga ulat ng trapiko tulad ng konstruksiyon at aksidente na iniulat ng mga gumagamit. Pag-access sa ...

Orange 3 at Visual Programming

Ang Orange ay isang mahusay na tool sa pagmimina ng data para sa parehong mga nagsisimula at siyentipiko na may data ng dalubhasa. Sa pamamagitan ng interface ng gumagamit nito, ang mga gumagamit ay maaaring tumuon sa pagsusuri ng data sa halip na mahigpit na coding, na pinapasimple ang disenyo ng mga komplikadong pipeline ng pagsusuri ng data. Ang pagmimina ng data batay sa mga sangkap Sa Orange, ang pagsusuri ng data ay isinasagawa sa pamamagitan ng pag-stack ng mga sangkap sa mga workflows. Ang bawat sangkap, na tinatawag na isang widget, ay naglalaman ng isang gawain ng pagkuha ng data, preprocessing, visualization, pagmomolde, o pagsusuri. Ang pagsasama-sama ng iba't ibang mga widget sa isang daloy ng trabaho ay nagbibigay-daan sa iyo upang lumikha ng mga komplikadong mga scheme ng pagsusuri ng data nang mabilis. Sa isang malaking library ng widget, wala kang pagpipilian. Ang mga karagdagang mga widget ay magagamit sa pamamagitan ng mga add-on upang magbigay ng mas nakatuon at may temang pananaliksik. Mga Pakikipag-ugnay ng Pakikipag-ugnay ng DataMag-ugnay ng mga widget na makipag-usap sa bawat isa. Tumatanggap sila ng data ng pag-input at nagpapadala ng na-filter o naproseso na data, mga modelo, o anumang ginagawa ng widget sa output. Sabihin nating magsimula sa isang folder ng File na nagbabasa ng data at naka-attach ...

Orange 3 at Hula

Ipinapakita ang mga hula ng modelo sa data. Mga Data ng Mga Input: Mga tala sa pag-input Predictor: mga prediktor na gagamitin sa dataOutputs Prediction: data na may mga hula na naidagdag Mga resulta ng pagsusuri: Ang pag-uuri ng mga resulta ng pagsubok sa algorithmMagtatanggap ng isang hanay ng data at isa o higit pang mga prediktor (mga mahuhulaan na modelo, hindi natututo ng mga algorithm - tingnan ang halimbawa sa ibaba). Lumilikha ng data at mga pagtataya.
Ang impormasyon sa pag-input, lalo na ang bilang ng mga kaso na mahulaan, ang bilang ng mga prediktor at ang gawain (pag-uuri o pagreregresyon). Kung inayos mo ang talahanayan ng data sa pamamagitan ng katangian at nais mong makita ang orihinal na view, pindutin ang Ibalik ang orihinal na pagkakasunud-sunod Maaari kang pumili ng mga pagpipilian para sa pag-uuri. Kung pagtantya sa klase ay nasuri, ang view ay nagbibigay ng impormasyon tungkol sa inaasahang klase. Kung tsek Mga mahuhulaan na posibilidad para sa , ang view ay nagbibigay ng impormasyon tungkol sa mga probabilidad na hinulaang ng mga classifier. Maaari mo ring piliin ang hinulaang klase na ipinapakita sa view. Pagpipilian Gumuhit ng mga bar ng pamamahagi nagbibigay ng visualization ng mga katotohanan ...

Orange 3 neural network

Multilayer perceptron (MLP) algorithm na may pabalik na pagpapalaganap.
Mga Input Data: input data fileProcessor: mga pamamaraan ng preprocessingMga output Estudyante: algorithm ng pag-aaral ng multilayerModel: sanay na modeloNeural Network Ang Widget ay gumagamit ng Skearn Multi-layer perceptron algorithm na maaaring magturo ng mga non-linear na mga modelo pati na rin ang linear.

Ang pangalan kung saan lilitaw ito sa iba pang mga widget. Ang default na pangalan ay "Neural Network". Itakda ang mga parameter ng modelo: Ang mga neuron sa nakatagong layer: Tinukoy bilang elemento ng i-th ay kumakatawan sa bilang ng mga neuron sa nakatagong layer ng i-th. Hal. Ang isang 3-layer na neural network ay maaaring matukoy bilang 2, 3, 2. Mga Nakatagong Layer Aktibidad sa Pag-activate: Pagkakakilanlan: hindi pinag-iingat na pag-activate, kapaki-pakinabang para sa pagpapatupad ng isang linear na bottleneck. -BFGS-B: optimizer sa pamilyang Quasi-NewtonianSGD: stochastic gradient descentAdam: stochastic optimizer batay sa ...

Orange 3 - Buksan ang mapagkukunan ng pag-aaral ng mapagkukunan at data visualization para sa mga baguhan at eksperto

open source pag-aaral ng makina at data visualization para sa mga baguhan at eksperto. Mga interactive na daloy ng pagsusuri ng data na may isang malaking hanay ng mga tool.
Interactive na visualization ng data: Magsagawa ng simpleng pagsusuri ng data na may matalinong paggunita ng data. Galugarin ang mga pamamahagi ng istatistika, mga tsart ng frame at mga tsart ng magkakalat o sumisid sa mas malalim sa mga puno ng pagpapasya, hierarchical pooling, heat maps, MDS, at linear na mga pag-asa. Kahit na ang iyong multidimensional data ay maaaring maging sensitibo sa 2D, lalo na sa pagsusuri at pagpili ng matalinong katangian.
Visual programming: Interactive na pananaliksik ng data para sa mabilis, husay na pagsusuri sa malinaw na mga visualization. Pinapayagan ka ng graphical na interface ng gumagamit na mag-focus ka sa pagsaliksik ng explorative data sa halip na pag-encode, habang ang mga clever na default ay ginagawang mabilis upang lumikha ng mga prototypes ng iyong data analysis workflow na lubhang madali. Ilagay ang mga widget sa screen, i-link ang mga ito, i-load ang mga set ng data at makakuha ng isang pangkalahatang-ideya!
Ang mga add-on ay nagpapalawak ng pag-andar: Sa iba't ibang mga accessory na magagamit sa ...

Halimbawa Pix2Pix Edges2 Pikachu

1. Maghintay para sa modelo na mai-load 2. Pindutin ang mouse upang iguhit ang Pikachu sa kaliwang bahagi ng canvas.
3. Ang imahe ng kulay ng Pikachu ay awtomatikong lilitaw sa kanang bahagi ng screen sa tinatayang 2 segundo. Maaari mo ring i-click ang pindutan ng "Transfer" upang makabuo ng isang bagong imahe. 4. I-click ang "I-clear" upang tanggalin at iguhit muli ang canvas. Tapos na!
Ang isang halimbawang halimbawa ay matatagpuan dito.

Pag-uuri ng mga larawan sa webcam at output ng boses gamit ang MobileNet

Pag-uuri ng imahe mula sa webcam at output ng boses at teksto gamit ang MobileNet v halimbawa dito. Susubukan ng software na makita kung ano ang nakikita sa iyong pagbaril sa webcam. Subukan ang halimbawang ito gamit ang isang web browser at webcam lamang. Maaari kang mag-halimbawa subukan mo dito.

Turuan ang neural network upang makilala sa pagitan ng mga pusa o aso

Alamin neural network upang makilala sa pagitan ng pusa o aso poses. Sanayin ang neural network sa ito isang simpleng halimbawa sa isang web browser at isang webcam. Subukan ang pag-uuri ng imahe gamit ang Extraction sa MobileNet. Sa halimbawa sa ibaba, maaari mong subaybayan ang tagumpay ng panghuhula.

Isang halimbawa ng pag-convert ng isang graphic na estilo gamit ang TensorFlow.js JavaScript machine learning library

Halimbawa pag-convert ng isang graphic na estilo sa isang web browser gamit ang TensorFlow.js JavaScript machine learning library. Ang imahe ng pag-input ay na-load mula sa library ng Wikipedia, ang pangalawa ay naka-istilong at ang pangatlo ay estilo. Matapos ma-load ang halimbawa sa isang bagong window ng browser, maghintay para maproseso ang conversion.