論文の概要: Julia Language in Machine Learning: Algorithms, Applications, and Open Issues

• arxiv url: http://arxiv.org/abs/2003.10146v2
• Date: Sun, 17 May 2020 10:52:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-20 23:32:49.919975
• Title: Julia Language in Machine Learning: Algorithms, Applications, and Open Issues
• Title（参考訳）: 機械学習におけるjulia言語: アルゴリズム、アプリケーション、オープンイシュー
• Authors: Kaifeng Gao, Gang Mei, Francesco Piccialli, Salvatore Cuomo, Jingzhi Tu, Zenan Huo
• Abstract要約: 機械学習は、科学と工学の分野で開発を推進している。 現在、機械学習アルゴリズムの開発に最もよく使われているプログラミング言語は、PythonとC/C ++である。 本稿では,機械学習におけるJulia言語の適用に関する研究成果と開発状況を要約する。
• 参考スコア（独自算出の注目度）: 5.666843255747851
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning is driving development across many fields in science and engineering. A simple and efficient programming language could accelerate applications of machine learning in various fields. Currently, the programming languages most commonly used to develop machine learning algorithms include Python, MATLAB, and C/C ++. However, none of these languages well balance both efficiency and simplicity. The Julia language is a fast, easy-to-use, and open-source programming language that was originally designed for high-performance computing, which can well balance the efficiency and simplicity. This paper summarizes the related research work and developments in the application of the Julia language in machine learning. It first surveys the popular machine learning algorithms that are developed in the Julia language. Then, it investigates applications of the machine learning algorithms implemented with the Julia language. Finally, it discusses the open issues and the potential future directions that arise in the use of the Julia language in machine learning.
• Abstract（参考訳）: 機械学習は、科学と工学の分野で開発を推進している。 シンプルで効率的なプログラミング言語は、様々な分野における機械学習の応用を加速することができる。 現在、機械学習アルゴリズムの開発に最もよく使われているプログラミング言語は、Python、MATLAB、C/C ++である。 しかしながら、これらの言語は効率と単純さのバランスがよくない。 julia言語は、高速で使いやすいオープンソースのプログラミング言語で、元々は高性能コンピューティングのために設計されており、効率とシンプルさのバランスがとれます。 本稿では,機械学習におけるJulia言語の適用に関する研究成果と展開について要約する。 最初に、Julia言語で開発された一般的な機械学習アルゴリズムを調査した。 次に、Julia言語で実装された機械学習アルゴリズムの適用について検討する。 最後に、機械学習におけるJulia言語の使用におけるオープンな問題と潜在的な将来方向について論じる。

関連論文リスト

• The State of Julia for Scientific Machine Learning [0.0]
  Juliaの機能とエコシステムを現代的に見て、言語の現状を評価し、その生存可能性と落とし穴について論じます。 私たちはコミュニティに、さらなる採用を妨げているJuliaの言語レベルの問題に対処するよう呼びかけています。
  論文  参考訳（メタデータ） (2024-10-14T01:43:23Z)
• A Comprehensive Guide to Combining R and Python code for Data Science, Machine Learning and Reinforcement Learning [42.350737545269105]
  機械学習、ディープラーニング、強化学習プロジェクトを構築するために、PythonのScikit-learn、pytorch、OpenAIのジムライブラリを簡単に実行する方法を示します。
  論文  参考訳（メタデータ） (2024-07-19T23:01:48Z)
• A Declarative Query Language for Scientific Machine Learning [0.0]
  我々は,ナイーブユーザのための新しい宣言型機械学習クエリ言語であるem MQLを紹介した。 本稿では,MQLを用いた2つの材料科学実験について論じる。
  論文  参考訳（メタデータ） (2024-05-25T09:58:33Z)
• CoLA: Exploiting Compositional Structure for Automatic and Efficient Numerical Linear Algebra [62.37017125812101]
  機械学習における大規模線形代数問題に対して, CoLA という, 単純だが汎用的なフレームワークを提案する。 線形演算子抽象と合成ディスパッチルールを組み合わせることで、CoLAはメモリと実行時の効率的な数値アルゴリズムを自動的に構築する。 偏微分方程式,ガウス過程,同変モデル構築,教師なし学習など,幅広い応用で有効性を示す。
  論文  参考訳（メタデータ） (2023-09-06T14:59:38Z)
• Toolformer: Language Models Can Teach Themselves to Use Tools [62.04867424598204]
  言語モデル(LM)は、特に大規模において、いくつかの例やテキスト命令から新しいタスクを解く素晴らしい能力を示す。 LMは、シンプルなAPIを通じて外部ツールの使用を自覚し、両方の世界のベストを達成できることを示します。 Toolformerは、どのAPIを呼び出すか、いつ呼び出すか、どの引数を渡すか、結果を将来のトークン予測に最もうまく組み込む方法を訓練したモデルです。
  論文  参考訳（メタデータ） (2023-02-09T16:49:57Z)
• AI2: The next leap toward native language based and explainable machine learning framework [1.827510863075184]
  提案されたフレームワークは、AI$2$と名付けられ、自然言語インターフェースを使用して、非スペシャリストが機械学習アルゴリズムの恩恵を受けることができる。 AI$2$フレームワークの主なコントリビューションは、ユーザーが機械学習アルゴリズムを英語で呼び出すことで、インターフェースの使用が容易になる。 もうひとつのコントリビューションは、データの適切な記述とロードを支援する前処理モジュールだ。
  論文  参考訳（メタデータ） (2023-01-09T14:48:35Z)
• Flashlight: Enabling Innovation in Tools for Machine Learning [50.63188263773778]
  私たちは、機械学習ツールやシステムの革新を促進するために構築されたオープンソースのライブラリであるFlashlightを紹介します。 Flashlightは、広く使われているライブラリを下流で活用し、機械学習とシステム研究者をより緊密に連携させる研究を可能にするツールだと考えています。
  論文  参考訳（メタデータ） (2022-01-29T01:03:29Z)
• Searching for More Efficient Dynamic Programs [61.79535031840558]
  本稿では,プログラム変換の集合,変換プログラムの効率を評価するための単純な指標,およびこの指標を改善するための探索手順について述べる。 実際に、自動検索は初期プログラムの大幅な改善を見出すことができることを示す。
  論文  参考訳（メタデータ） (2021-09-14T20:52:55Z)
• AVATAR: A Parallel Corpus for Java-Python Program Translation [77.86173793901139]
  プログラム翻訳とは、ある言語から別の言語へソースコードを移行することを指す。 AVATARは9,515のプログラミング問題とそのソリューションをJavaとPythonという2つの人気のある言語で記述したものです。
  論文  参考訳（メタデータ） (2021-08-26T05:44:20Z)
• Leveraging Language to Learn Program Abstractions and Search Heuristics [66.28391181268645]
  LAPS(Language for Abstraction and Program Search)は、自然言語アノテーションを用いて、ライブラリとニューラルネットワークによる合成のための検索モデルの共同学習をガイドする手法である。 最先端のライブラリ学習システム(DreamCoder)に統合されると、LAPSは高品質なライブラリを生成し、検索効率と一般化を改善する。
  論文  参考訳（メタデータ） (2021-06-18T15:08:47Z)
• Machine Learning in Python: Main developments and technology trends in data science, machine learning, and artificial intelligence [3.1314898234563295]
  Pythonは科学計算、データサイエンス、機械学習において最も好まれる言語である。 この調査は、Pythonによる機械学習の分野に関する洞察を提供し、重要なトピックをツアーして、それを可能にしたコアハードウェアとソフトウェアパラダイムのいくつかを特定します。
  論文  参考訳（メタデータ） (2020-02-12T05:20:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。