AI Hub

Новости и статьи об искусственном интеллекте и нейросетях. Мы собираем и обрабатываем самую актуальную информацию из мира AI. О проекте

TelegramБот @AiHubMyBotTelegramКанал @AiHubFeed

датасеты

8 публикаций по теме
датасеты
Руководство по PyTorch: Множественная регрессия с нуля
Статьи

Руководство по PyTorch: Множественная регрессия с нуля

В руководстве демонстрируется построение модели множественной линейной регрессии с использованием PyTorch на наборе данных Abalone, с сравнением результатов Scikit-Learn. Анализ данных выявляет проблемы с гомоскедастичностью и выбросами, влияющие на точность. Модель PyTorch показывает скромное улучшение на 4%, подчеркивая ограничения линейных подходов для нелинейных данных.

5
12 мин
20 ноября 2025 г.
Автоматическое распознавание листьев растений с помощью глубоких эмбеддингов
Статьи

Автоматическое распознавание листьев растений с помощью глубоких эмбеддингов

Автоматическое распознавание листьев растений с использованием глубоких эмбеддингов и евклидова сходства позволяет эффективно идентифицировать виды по изображениям. На основе датасета UCI One-Hundred Plant Species Leaves модель ResNet-50 достигает высокой точности, демонстрируя применение в экологии, сельском хозяйстве и образовании. Система включает предобработку, извлечение признаков и анализ, обеспечивая воспроизводимость и интерпретируемость результатов.

1
12 мин
18 ноября 2025 г.
Статьи

Оценка оценщиков: Надежные LLM-оценки

Системы LLM в роли судей могут вводить в заблуждение уверенными, но ошибочными ответами, искажая результаты на 10–20%. Исследователи создали датасет с ручной разметкой и фреймворк syftr для тестирования конфигураций, выявив оптимальные комбинации моделей и промптов. Это позволяет строить дешевле и точнее gpt-4o-mini, достигая до 96% согласованности с человеческими оценками.

1
12 мин
14 октября 2025 г.
Новости

Классификация пыльцы с помощью CNN и Vision Transformers

Проект по визуальной классификации пыльцы использует новые наборы данных и модели машинного обучения, включая CNN и Vision Transformers, для точного распознавания видов пыльцы. Существующие наборы данных анализируются, а новый набор из 200 изображений на класс без окраски позволяет обучать эффективные классификаторы. Трансформер для зрения достиг идеальной точности 1.00 на одном из наборов, превосходя традиционные модели.

5
18 мин
13 октября 2025 г.
Больше данных — всегда ли лучше производительность?
Статьи

Больше данных — всегда ли лучше производительность?

Статья исследует, всегда ли увеличение объема данных улучшает производительность моделей машинного обучения. На примере датасета UCI Irvine анализируются эффекты добавления образцов и характеристик, показывая, что качество данных критично для обобщения. Подчеркивается необходимость экспериментов и валидации для стратегического подхода к сбору информации.

5
9 мин
18 ноября 2025 г.

Показаны все статьи (8)