机器学习正在从艺术和科学转变为可供每个开发人员使用的技术。在不久的将来,每个平台上的每个应用程序都将包含训练有素的模型,以编码开发人员无法创作的基于数据的决策。这提出了一个重要的工程挑战,因为目前数据科学和建模在很大程度上与标准软件开发过程脱钩。这种分离使得在应用程序内部的机器学习能力不必要地变得困难,并且进一步阻碍了开发人员将MLin置于首位。在本文中,我们介绍了ML .NET,这是一个在过去十年中在Microsoft开发的框架,用于应对在大型软件应用程序中轻松发布机器学习模型的挑战。我们提出了它的架构,并阐明了形成它的应用程序需求。具体而言,我们引入了DataView,它是ML .NET的核心数据抽象,它可以有效地,一致地捕获完整的预测管道,并在训练和推理生命周期中进行。我们结束了论文,对ML .NET进行了令人惊讶的有利的性能研究,与更多的接受者相比,并讨论了一些经验教训。
translated by 谷歌翻译
如今,由于经常发生的干旱危害,人类面临着许多环境挑战。它可能会对国家环境,社区和行业产生影响。巴基斯坦继续发生几种不利影响,其中包括其他危害。但是,干旱的早期测量和检测可以为采用干旱减缓政策的水资源管理提供指导。在本文中,我们使用多层感知神经网络(MLPNN)算法进行干旱预测。我们对位于北部地区和KPK(巴基斯坦)的17个气象站的标准化降水蒸发蒸腾指数(SPEI)的月度时间序列数据应用和测试了MLPNN算法。我们发现MLPNN具有基于性能测量(即平均平均误差(MAE),相关系数R和均方根误差(RMSE))的SPEI干旱预测的潜在能力。水资源和管理规划者可以提前采取必要的行动(例如,在水上运输领域)使用MLPNN模型作为他们决策的一部分。
translated by 谷歌翻译
对于计算机视觉科学家和专家来说,面部识别一直是一项挑战性的任务。尽管由于内部参数,照明和面部方向的变化而产生复杂性,但是在该领域中已经取得了重大进展,其中深度学习算法现在与人类精度相竞争。但与最近在面部识别技术方面取得的进展相比,伪装面部识别仍然是计算机视觉领域的一个挑战。现代情景中,安全性是首要关注的问题,当面部伪装时,常规的面部识别技术不需要按照要求执行,这需要采用不同的方法来处理入侵者面部掩饰的情况。同样,我们提出了一种用于伪装面部识别(DFR)的深度学习架构。本文提出的算法采用14层卷积神经网络(CNN)检测第一阶段的20个面部关键点。这些面部关键点后来被支持向量机(SVM)用于基于欧几里德距离比和不同面部关键点之间的角度对伪装面进行分类。这种整体架构赋予我们的系统基本智能。我们的关键点特征预测准确率为65%,而分类率为72.4%。此外,该架构工作在19 FPS,因此几乎是实时的。我们的方法的效率也与最先进的伪装面部识别方法进行了比较。
translated by 谷歌翻译