Apprendimento automatico — Guida allo studio
Apprendimento automatico — Un percorso strutturato in robotica, controllo, agricoltura in ambiente controllato, energia ed elettronica di potenza.
Un percorso strutturato in robotica, controllo, agricoltura in ambiente controllato, energia ed elettronica di potenza.
- Fundamentals · 6 min di lettura
Introduzione all'apprendimento automatico: fondamenti - Progettazione dei dati, funzione di perdita e generalizzazione
L'apprendimento automatico non si limita alla selezione del modello: bisogna definire il compito, la suddivisione dei dati, la perdita di dati, la valutazione e le modifiche da apportare all'implementazione.
- Fundamentals · 6 min di lettura
Introduzione all'apprendimento automatico: i fondamenti delle reti neurali
Le reti neurali combinano trasformazioni affini e attivazioni non lineari, quindi riducono la perdita tramite retropropagazione e ottimizzazione basata sul gradiente.
- Fundamentals · 17 min di lettura
Introduzione al rilevamento di oggetti e alla segmentazione semantica: leggere "cosa si trova dove" in un'immagine.
Il rilevamento degli oggetti disegna riquadri attorno agli oggetti; la segmentazione semantica colora ogni pixel in base al suo significato. Dalle differenze tra i due, passando per la segmentazione di istanze e panottica, la linea evolutiva da R-CNN a YOLO, DETR e DINO, fino alle loro controparti 3D basate su nuvole di punti: un percorso sistematico attraverso i fondamenti della comprensione delle scene.
- Fundamentals · 12 min di lettura
YOLO11 spiegato in dettaglio: cosa hanno cambiato C3k2 e C2PSA rispetto a YOLOv8?
Analizza Ultralytics YOLO11 utilizzando la documentazione ufficiale e fonti primarie: C3k2, C2PSA, rilevamento senza ancoraggio, perdite DFL/CIoU e benchmark misurati per n/s/m/l/x.
- Fundamentals · 10 min di lettura
Una guida completa a SegFormer: perché un trasformatore senza codifica posizionale funziona per la segmentazione
Questo articolo analizza SegFormer, introdotto da NVIDIA, dall'Università di Hong Kong e da altri collaboratori al NeurIPS 2021, basandosi sul documento originale. Esaminiamo il codificatore MiT gerarchico senza codifica posizionale, il decodificatore All-MLP efficiente in termini di parametri, il campo recettivo effettivo, il mIoU misurato, il numero di parametri e calcoliamo da B0 a B5 con le equazioni.
- Fundamentals · 5 min di lettura
Introduzione all'apprendimento automatico: stima della posa
La stima della posa deduce i punti chiave di una persona o di un oggetto e la posa 6D dalle immagini. Questa introduzione tratta le coordinate, le perdite, l'occlusione, la valutazione e la sicurezza.
- Fundamentals · 5 min di lettura
Introduzione all'apprendimento automatico: modelli generativi
I modelli generativi rappresentano le distribuzioni dei dati e creano output condizionali. Impara la verosimiglianza, VAE, GAN, diffusione, valutazione, provenienza e sicurezza.
- Hands-on · 3 min di lettura
Confronto tra LLM locali: prima risposta, tasso di generazione e memoria
Misurare il contenuto della prima risposta separatamente dalla velocità di generazione e dal controllo residency, caching and memory conditions.