Що таке ДЛЯ МАШИННОГО НАВЧАННЯ Англійською - Англійська переклад

• for machine learning
• machine-learning

Приклади вживання Для машинного навчання Українська мовою та їх переклад на Англійською

Це гра, побудована для машинного навчання,” говорить підручник на сайті.
This is a game built with machine learning,” says a tutorial site.

Розглядається подібна постановка, звичніша для машинного навчання.
A similar setting is considered, which is more common to machine learning.

Більшість завдань для машинного навчання тренуються на великих, анотованих базах даних.
Most machine-learning tasks are trained on large, annotated data sets.

Згідно з доповіддю на GitHub Python був найпоширенішою мовою для машинного навчання у 2018 році.
According to a report on GitHub, Python was the most used language for machine learning in 2018.

ПВХ підтримує TensorFlow для машинного навчання(і Halide для обробки зображень).
The PVC supports TensorFlow for machine learning(and Halide for image processing).

Це символьна математична бібліотека, а також використовується для машинного навчання, таких як нейронні мережі.
It is a symbolic math library, and also used for machine learning applications such as neural networks.

Torch- Відкрита програмна бібліотека для машинного навчання на основі мови програмування Lua.
Torch Torch is an open source machine learning library, based on the Lua programming language.

Тим часом каліфорнійський стартап Rigetti Computing довів, що квантовий комп'ютер можна використовувати для машинного навчання.
California-based startup Rigetti Computing proves that quantum computer can be used to perform machine learning.

Програма забезпечує гарну основу для машинного навчання та програмування разом з практичним досвідом.-.
The program provides a good foundation in machine learning and programming along with practical experience.-.

Bfloat16 підтримує лише сім біт точності, але це, як правило, більш ніж достатньо для додатків для машинного навчання.
Bfloat16 only supports seven bits of precision, but this is generally more than sufficient for machine learning applications.

Vicarious розробляє програмне забезпечення для машинного навчання, засноване на обчислювальних принципах людського мозку.
Vicarious is developing machine learning software based on the computational principles of the human brain.

Враховуючи величезний обсяг даних і обчислювальної потужності, необхідний для машинного навчання, хмари є ідеальним середовищем для ML-додатків.
Given the sheer amount of data and computational power needed to perform machine learning, the cloud is an ideal environment for ML apps.

Вона надає кілька різновидів для машинного навчання, зокрема, рекурентні нейронні мережі й обмежені машини Больцмана.
The framework supports several machine learning models, particularly, recurrent neural networks and restricted Boltzmann machines..

Враховуючи величезний обсяг даних і обчислювальної потужності, необхідний для машинного навчання, хмари є ідеальним середовищем для ML-додатків.
Given the huge amount of data and processing power required for machine learning, clouds are an ideal medium for ML applications.

З іншого боку, Tensor Networks можна розглядати як новий об'єкт для машинного навчання, в деяких випадках- більш експресивний, ніж глибокі нейронні мережі.
On the other hand, Tensor Networks can be seen as a new trainable Machine Learning object, in some cases being more expressive than Deep Neural Networks.

У травні 2016 року Google анонсувала свій тензорний процесор(ТП, англ. tensor processing unit, TPU), спеціалізовану мікросхему, побудовану спеціально для машинного навчання, й підігнану під TensorFlow.
In May 2016, Google announced its Tensor processing unit(TPU), an ASIC built specifically for machine learning and tailored for TensorFlow.

Spark перетворився на звичний інструмент для машинного навчання завдяки зростаючої бібліотеки алгоритмів, які можна швидко застосувати до знаходяться в пам'яті.
Spark has become a familiar tool for machine learning due to the growing library of algorithms that can be quickly applied to the data stored in memory.

У травні 2016 компанія Google оголосила про свій блок обробки процесорів Tensor(TPU)- спеціальну інтегральну схему(апаратний чіп), побудовану спеціально для машинного навчання та розроблену для TensorFlow.
In May 2016, Google announced its Tensor processing unit(TPU), an ASIC built specifically for machine learning and tailored for TensorFlow.

Він пояснює, що ідеальний сценарій для машинного навчання і штучного інтелекту буде полягати в фіксованих правил та чітких критеріях успіху або невдачі.
He explained that the ideal scenario for machine learning and artificial intelligence is something with fixed rules and a clear-cut measure of success or failure.

На додачу до публікації наукових статей багато компаній сьогодні виставляють бібліотеки свого ПЗ для машинного навчання у відкритий доступ, пропонуючи власні інструменти конкурентам і незалежним розробникам.
In addition to publishing papers, many companies today make their machine-learning software libraries open source, offering internal tools to rivals and independent developers.

Я розповім, що таке Tensor Networks з точки зору фізики для машинного навчання та стиснення DNN. Також наведу приклади, використовуючи бібліотеку Tensor Networks поверх Tensor Flow.
I will outline what Tensor Networks are from physics perspective to Machine Learning and DNN compression and provide examples using TensorNetworks library on top of a Tensor Flow.

Google оголосив, що працює ТПУ у своїх центрах обробки даних більше року, і виявив їх доставку на порядок краще оптимізованої продуктивності на ватт для машинного навчання.
Google revealed they would been running TPUs inside their data centers for more than a year, and have found them to deliver an order of magnitude better-optimized performance per watt for machine learning.

У березні 2018 компанія Google оголосила TensorFlow. js версії 1. 0 для машинного навчання в JavaScript та TensorFlow Graphics для глибокого вивчення комп'ютерної графіки.
In March 2018, Google announced TensorFlow. js version 1.0 for machine learning in JavaScript and TensorFlow Graphics for deep learning in computer graphics.

Для машинного навчання потрібна велика кількість легкодоступних, гетерогенних даних в якості бази для накопичення знань, розпізнавання шаблонів і розробки набору варіантів прийняття рішень.
Machine learning requires large quantities of easily accessible, heterogeneous data as a base for accumulating knowledge, recognizing patterns, and developing a set of decision-making options.

В один прекрасний день він уявляє собі додавання квантових комп'ютерів разом з традиційними хмарними серверами Microsoft, здаючи в оренду їх компаніям, які шукають більш потужні симуляції хімії та програмні забезпечення для машинного навчання, в яких, як очікують дослідники, квантова технологія буде прийнятною.
He envisions one day adding quantum computers alongside Microsoft's conventional cloud servers, renting them to companies looking for more powerful chemistry simulations and machine-learning software- areas where researchers expect quantum technology to be tractable first.

Більше того, у нього є апаратне забезпечення для підтримки машинного навчання та обробки штучного інтелекту на раніше нечуваному рівні.
More than that, it has the hardware to support machine learning and artificial intelligence processing on a previously unheard-of scale.

Ми обговорили 7-нм плани AMD цього року кілька разів, у тому числі рішення компанії вивести 7-нм кремній для ітерації машинного навчання Vega від TSMC.
We have discussed AMD's 7nm plans several times this year, including the company's decision to source its 7nm silicon for Vega's machine learning iteration from TSMC.

Доступ до великих даних, аналізу й обробки даних і фахівців із проектування досвіду для алгоритмів машинного навчання і комп'ютерного зору за індивідуальними параметрами.
Access to big data, data science, and experience design experts for custom computer vision and machine learning(ML) algorithms.

Є теоретичні обґрунтування(засновані на ВЧ-розмірності) щодо того, чому максимізація розділення(за деяких відповідних обмежень) може бути корисною для алгоритмів машинного навчання та статистичних висновків.
There are theoretical justifications(based on the VC dimension) as to why maximizing the margin(under some suitable constraints) may be beneficial for machine learning and statistical inferences algorithms.