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大小单双倍投公式,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大小单双倍投公式的挑战。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
虽然强化学习(RL)具有使机器人能够自主获取各种技能的潜力,但在实践中,RL通常需要对奖励函数进行手动,按任务设计,特别是在实际环境中,计算进度所需的环境方面并非直接无障碍。为了使机器人能够自主学习技能,我们反而考虑强化学习的问题,而无需获得奖励。 Weaim要学习一个无人监督的嵌入空间,机器人可以在该空间内测量自己的目标。我们的方法明确地优化了对称空间,当目标达到最终状态时,达到特定状态的动作序列是最佳的。这使得学习有效和以控制为中心的表示能够导致更多的自主强化学习算法。我们在三个模拟环境和两个真实操作问题上的实验表明,我们的方法可以从未标记的交互中学习有效的目标指标,并使用学习目标指标进行自主强化学习。
translated by 谷歌翻译
大小单双倍投公式 Representation learning becomes especially important for complex systems with multimodal data sources such as cameras or sensors. Recent advances in reinforcement learning and optimal control make it possible to design control algorithms on these latent representations, but the field still lacks a large-scale standard dataset for unified comparison. In this work, we present a large-scale dataset and evaluation framework for representation learning for the complex task of landing an airplane. We implement and compare several approaches to representation learning on this dataset in terms of the quality of simple supervised learning tasks and disentanglement scores. The resulting representations can be used for further tasks such as anomaly detection, optimal control, model-based reinforcement learning, and other applications.
translated by 谷歌翻译
基于分类的图像检索系统是通过训练卷积神经网络(CNN)在相关的分类问题上建立的,并且使用所得到的特征空间中的距离作为相似性度量。然而,在实际应用中,通常希望具有考虑到几个的表示。数据的各个方面(例如,脑肿瘤类型及其定位)。在我们的工作中,我们通过多任务学习扩展了基于分类的方法:我们使用异构标签训练CNN on brainMRI扫描并实施相应的肿瘤图像检索系统。我们验证了我们对脑肿瘤数据的方法,其中包含有关肿瘤类型,形状和定位的信息。我们表明,我们的方法允许我们构建包含更多相关信息的表示,而不是基于单任务分类的方法。
translated by 谷歌翻译
深度学习方法被积极地用于脑病变分割。最受欢迎的大小单双倍投公式之一是DeepMedic,它是为胶质瘤和缺血性中风等相对较大的病变进行分割而开发的。在我们的工作中,我们考虑适用于立体定向放射外科的脑肿瘤分割,这限制了典型的病变大小。目标体积的这些差异导致大量假阴性(特别是对于小病变)以及DeepMedic的假阳性数量增加。我们提出了一种新的采样程序,以提高小病灶的网络性能。我们使用了一个来自立体定向放射外科中心的6年数据集。为了评估这一点,我们对三种最常见的脑肿瘤进行了实验:转移,脑膜瘤,神经鞘瘤。除了交叉验证之外,我们还在保留测试装置上评估了质量,该测试装置比火车测试装置收集了几年。实验结果显示两种情况均有实质性改善。
translated by 谷歌翻译