Що таке GENERATIVE MODELS Українською - Українська переклад

• генеративні моделі
• породжувальних моделей
• генеративних моделях

Приклади вживання Generative models Англійська мовою та їх переклад на Українською

He is now actively working with generative models for the facial transfer project.
Зараз активно працює з генеративними моделями для проекту із переносу рис обличчя.

Recently, the autoencoder concept has become more widely used for learning generative models of data.
Нещодавно концепція автокодувальника стала застосовуватися ширше для навчання породжувальних моделей даних.

Neural networks, and in particular generative models, change the way you create graphics.”.
Нейронні мережі, а зокрема генеративні моделі, змінять спосіб створення графіки.».

That analysis was done with comparable performance(less than 1.5% in error rate) between discriminative DNNs and generative models.
Цей аналіз було здійснено з порівнянною ефективністю(менше 1. 5% в рівні похибок) між розрізнювальними ГНМ та породжувальними моделями.

Do real research with deep generative models of audio in a small, scientifically-minded team;
Робити ресерч з генеративних моделями з аудіо в невеликий, але дуже крутий команді.

Practical experience in at least one of the following problems: object detection, segmentation, face recognition, person re-id, action recognition, generative models;
Практичний досвід щонайменше однієї з таких проблем: виявлення об'єктів, сегментація, розпізнавання обличчя, повторна ідентифікація особи, розпізнавання дій, генеративні моделі;

Grant is interested in deep generative models of audio and other high-dimensional signals.
Грант цікавиться глибокими генеративними моделями аудіо та іншими високомірними сигналами.

Generative models assume that the distributions take some particular form p( x| y, θ){\displaystyle p(x|y,\theta)} parameterized by the vector θ{\displaystyle\theta}.
Генеративні моделі припускають, що розподіли приймають певну форму p( x| y, θ){\displaystyle p(x|y, \theta)}, параметризовану вектором θ{\displaystyle \theta}.

Neural networks- specifically- generative models are going to change the way graphics are created.
Нейронні мережі, а зокрема генеративні моделі, змінять спосіб створення графіки.».

Most modern deep learning models are based on an artificial neural network, although they can also include propositional formulas or latent variables organized layer-wise in deep generative models such as the nodes in deep belief networks and deep Boltzmann machines.
Більшість сучасних моделей глибокого навчання ґрунтуються на штучних нейронних мережах, зокрема, конволюційних нейронних мережах(CNN), хоча вони також можуть включати пропозиції формул або прихованих змінних, організованих пошарово, в глибоких генеративних моделях, таких як вузли в мережах глибокої віри і глибокі Машини Больцмана.

On the other hand, generative models are typically more flexible than discriminative models in expressing dependencies in complex learning tasks.
З іншого боку, породжувальні моделі є зазвичай гнучкішими за розрізнювальні у вираженні залежностей в складних задачах навчання.

They don't necessarily perform better than generative models at classification and regression tasks.
Вони не обов'язково працюють краще за породжувальні моделі в задачах класифікації та регресії.

Most modern deep learning models are based on artificial neural networks, specifically, Convolutional Neural Networks(CNN)s, although they can also include propositional formulas or latent variables organized layer-wise in deep generative models such as the nodes in deep belief networks and deep Boltzmann machines.
Більшість сучасних моделей глибокого навчання ґрунтуються на штучних нейронних мережах, зокрема, конволюційних нейронних мережах(CNN), хоча вони також можуть включати пропозиції формул або прихованих змінних, організованих пошарово, в глибоких генеративних моделях, таких як вузли в мережах глибокої віри і глибокі Машини Больцмана.

In contrast to approaches that attempt to cluster a network given an objective function, this class of methods is based on generative models, which not only serve as a description of the large-scale structure of the network, but also can be used to generalize the data and predict the occurrence of missing or spurious links in the network.[32][33].
На відміну від підходів, які намагаються скомпонувати мережу з об'єктивною функцією, цей клас методів грунтується на генеративних моделях, які не тільки служать описом великомасштабної структури мережі, але також можуть бути використані для узагальнення даних і прогнозування появи пропущених або хибних зв'язків у мережі.[32][33].

On previous projects, he worked on Computer Vision problems(mostly generative models), NLP and time series analysis.
На попередніх проектах працював над задачами Computer Vision(в основному з генеративними моделями), NLP та аналізом часових рядів.

Such analysis on TIMIT by Li Deng and collaborators around 2009-2010, contrasting the GMM(and other generative models of speech) vs. DNN models, stimulated early industrial investment in deep learning for speech recognition from small to large scales, eventually leading to pervasive and dominant use in that industry.
Такий аналіз на TIMIT Лі Дена зі співробітниками близько 2009- 2010 років, протиставляючи моделі ҐСМ[en](та інших породжувальних моделей мовлення) з ГНМ, стимулював ранні промислові інвестиції в глибинне навчання для розпізнавання мовлення від малих до великих масштабів,[50][70] зрештою привівши до поширеного та домінантного застосування в цій галузі.

Interest in inductive learning using generative models also began in the 1970s.
Зацікавленість у сфері індуктивного навчання з використанням генеративних моделей також з'явилась у 1970-і роки.

A restricted Boltzmann machine is a bipartite generative model specified over an undirected graph.
Обмежена машина Больцмана є двочастковою породжувальною моделлю, визначеною над неорієнтованим графом.

As an example, suppose you feed a generative model a set of images of human faces, with each face labeled with the person's age.
Наприклад, припустімо, що ви генеруєте генеративну модель набором зображень людських облич, кожне обличчя позначене віком людини.

Widely applied generative model for pattern recognition was firstly formulated and proposed by Taras Vintsiuk in 1967.
Широкого визнання набула генеративна модель розпізнавання образів, уперше сформульована й запропонована Тарасом Климовичем ще у 1967 році.

A deep belief network(DBN) is a probabilistic, generative model made up of multiple hidden layers.
Глибинна мережа переконань(ГМП, англ. deep belief network, DBN)- це ймовірнісна породжувальна модель, складена з декількох шарів прихованих вузлів.

A deep belief network(DBN) is a probabilistic, generative model made up of multiple hidden layers.
Глибинна мережа переконань(ГМП, англ. deep belief network, DBN) є ймовірнісною породжувальною моделлю, зробленою з кількох шарів прихованих вузлів.

A deep belief network(DBN) is a probabilistic, generative model made up of multiple layers of hidden units.
Глибинна мережа переконань(ГМП, англ. deep belief network, DBN) є ймовірнісною породжувальною моделлю, зробленою з кількох шарів прихованих вузлів.

A different type of extension uses a discriminative model in place of the generative model of standard HMMs.
Інший тип розширень використовує розрізнювальну модель замість породжувальної моделі стандартної ПММ.

Related to the recursive Bayesian interpretation described above, the Kalman filter can be viewed as a generative model, i.e., a process for generating a stream of random observations z=(z0, z1, z2,…).
У зв'язку із наведеною вище рекурсивною баєсовою інтерпретацією, фільтр Калмана можна розглядати як породжувальну модель, тобто як процес для породження потоку випадкових спостережень z=(z0, z1, z2,…).

Once sufficiently many layers have been learned, the deep architecture may be used as a generative model by reproducing the data when sampling down the model(an"ancestral pass") from the top level feature activations.
Щойно навчено достатньо багато шарів, можна застосовувати глибинну архітектуру як породжувальну модель, відтворюючи дані здійсненням вибірки моделлю донизу(«спадковий прохід») від збудження ознак верхнього рівня.

It is a full generative model, generalized from abstract concepts flowing through the model layers, which is able to synthesize new examples in novel classes that look"reasonably" natural.
Вона є повністю породжувальною моделлю, узагальненою з абстрактних понять, що течуть крізь шари моделі, яка є здатною синтезувати нові приклади нововведених класів, що виглядають досить природними.

The core idea of GANs is learning a generative model for images by fooling an opponent detector model, which job is to distinguish between real and fake(generated) content;
Центральна ідея GAN- це навчати генеративну модель створювати картинки, які обдурюють"змагальну" модель-детектор: її задача полягає в розрізненні дійсного та фальшивого(згенерованого) контенту;

Furthermore, there is no need for these features to be statistically independent of each other, as would be the case if such features were used in a generative model.
До того ж, не потрібно, щоби ці властивості були статистично незалежними одна від одної, як було би у випадку, якби такі властивості використовувалися у породжувальній моделі.