Andere Kunden interessierten sich auch für
![Un nuevo enfoque de aprendizaje profundo para detectar enfermedades cardiovasculares]( "Un nuevo enfoque de aprendizaje profundo para detectar enfermedades cardiovasculares")
Un nuevo enfoque de aprendizaje profundo para detectar enfermedades cardiovasculares32,99 €![Modelo de aprendizaje profundo para la estimación de la pose humana en el espacio y el tiempo]( "Modelo de aprendizaje profundo para la estimación de la pose humana en el espacio y el tiempo")
Modelo de aprendizaje profundo para la estimación de la pose humana en el espacio y el tiempo26,99 €![MÉTODOS DE APRENDIZAJE PROFUNDO PARA EL ANÁLISIS DE SENTIMIENTOS MEDIANTE MODELOS BERT Y GRU]( "MÉTODOS DE APRENDIZAJE PROFUNDO PARA EL ANÁLISIS DE SENTIMIENTOS MEDIANTE MODELOS BERT Y GRU")
MÉTODOS DE APRENDIZAJE PROFUNDO PARA EL ANÁLISIS DE SENTIMIENTOS MEDIANTE MODELOS BERT Y GRU43,99 €![Internet de las cosas con aprendizaje profundo para aplicaciones sociales]( "Internet de las cosas con aprendizaje profundo para aplicaciones sociales")
Internet de las cosas con aprendizaje profundo para aplicaciones sociales33,99 €![Aprovechamiento del aprendizaje profundo para el reconocimiento de las emociones del habla]( "Aprovechamiento del aprendizaje profundo para el reconocimiento de las emociones del habla")
Aprovechamiento del aprendizaje profundo para el reconocimiento de las emociones del habla32,99 €![Método de ajuste fino para el aprendizaje profundo]( "Método de ajuste fino para el aprendizaje profundo")
Método de ajuste fino para el aprendizaje profundo32,99 €![Aprendizaje automático profundo]( "Aprendizaje automático profundo")
Aprendizaje automático profundo21,99 €
Con el objetivo de mejorar el aprendizaje de redes neuronales profundas, este trabajo propone la red CollabNet, que consiste en un nuevo método de inserción de nuevas capas ocultas en redes neuronales del tipo Deep FeedForward, inspirado en autocodificadores apilados. La nueva forma de inserción se considera colaborativa y busca mejorar el entrenamiento en relación a los enfoques basados en autocodificadores apilados. En este nuevo enfoque, la inserción de capas se realiza de forma coordinada y gradual, manteniendo bajo control del diseñador la influencia de esta nueva capa en el entrenamiento y ya no de forma aleatoria y estocástica como en el apilamiento tradicional. La colaboración propuesta en este trabajo consiste en hacer que la capa recién insertada continúe el aprendizaje obtenido por las capas anteriores, sin perjudicar el aprendizaje global de la red. De esta forma, la capa recién insertada colabora con las capas anteriores y el conjunto funciona de forma más alineada con el aprendizaje. CollabNet fue probado en una base de datos de un problema real, obteniendo resultados satisfactorios y prometedores.
Hinweis: Dieser Artikel kann nur an eine deutsche Lieferadresse ausgeliefert werden.
Hinweis: Dieser Artikel kann nur an eine deutsche Lieferadresse ausgeliefert werden.