摘要：强大的计算平台与深度学习架构的结合带来了解决许多传统计算机视觉问题的新方法，以便自动解释大型且复杂的地理空间数据。随着数据的广泛获取和无人机系统的使用越来越多，此类任务尤为重要。本文档介绍了一个工作流程，利用 CNN 和 GPU 对 UAS 图像进行自动像素级分割，以加快图像处理速度。在多核 GPU 上探索基于 GPU 的计算和并行化，以减少开发时间，减少对大量模型训练的需求，并促进任务关键信息的利用。比较不同系统（单、虚拟、多 GPU）之间的 VGG-16 模型训练时间，以研究每个平台的功能。 CNN 结果显示，应用于地面实况数据时，准确率为 88%。将 VGG-16 模型与 GPU
在图像分割中，图像的每个像素都被分配一个类别。根据应用，类别可以是不同的细胞类型；或者任务可以是二进制的，如“癌细胞是或否？”。无论应用领域如何，首选的既定神经网络架构都是 U-Net。在这篇文章中，我们展示了如何预处理数据并在 Kaggle Carvana 图像分割数据上训练 U-Net 模型。
TensorFlow feature columns: Transforming your data recipes-style
TensorFlow 特征列提供了有用的功能，可用于预处理分类数据和链接转换，例如分桶或特征交叉。从 R 中，我们以流行的“配方”风格使用它们，创建并随后完善特征规范。在这篇文章中，我们展示了如何使用特征规范释放认知资源并让您专注于真正想要完成的事情。更重要的是，由于其优雅，特征规范代码读起来很好，编写起来也很有趣。
Audio classification with Keras: Looking closer at the non-deep learning parts
有时，深度学习被视为（并受到欢迎）避免繁琐的数据预处理的一种方式。然而，在某些情况下，各种预处理不仅有助于改善预测，而且本身就是一个引人入胜的话题。音频分类就是这样一个例子。在这篇文章中，我们在此博客的上一篇文章的基础上进行构建，这次重点介绍一些非深度学习背景。然后，我们将所解释的概念链接到近期发布的更新的 TensorFlow 代码。
Deep Learning With Keras To Predict Customer Churn
使用 Keras 根据 IBM Watson Telco 客户流失数据集预测客户流失。我们还演示了如何使用 lime 包来帮助解释哪些特征驱动单个模型预测。此外，我们使用三个新包来协助机器学习：用于预处理的配方、用于采样数据的 rsample 和用于模型指标的 yardstick。
Datumbox Machine Learning Framework version 0.8.0 released
Datumbox Framework v0.8.0 已经发布，并包含几个强大的功能！此版本带来了新的预处理、特征选择和模型选择算法、新的强大存储引擎，可以更好地控制模型和数据帧的保存/加载方式、几个预先训练的机器学习模型以及大量内存和速度改进。立即从 Github 下载 […]
Проект Lexy получит финансирование на разработку системы слуха
来自我们的长期朋友和合作伙伴 Lexy 的好消息。该公司最近获得了斯科尔科沃基金会批准的一笔 500 万卢布的小额赠款，这笔资金将用于开发音频预处理解决方案，以在嘈杂的房间中识别人类语音。
This study shows so much of what’s wrong with medical research today
是JAMA内科。 “远程缺血预处理对接受心脏手术的高危患者肾脏损伤的影响：一项随机临床试验”。它的要旨是，通过心脏手术，存在急性肾脏损伤的重大风险。多达30％的患者结束了它，关于[…]本研究的帖子我们无能为力，这表明今天的医学研究出了很多问题，首先出现在偶然的经济学家上。
