論文の概要: GEMA: An open-source Python library for self-organizing-maps
- arxiv url: http://arxiv.org/abs/2203.13190v1
- Date: Thu, 17 Feb 2022 10:49:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-27 13:51:51.617718
- Title: GEMA: An open-source Python library for self-organizing-maps
- Title(参考訳): GEMA: 自己組織化マップのためのオープンソースのPythonライブラリ
- Authors: Alvaro J. Garcia-Tejedor, Alberto Nogales
- Abstract要約: 本稿では,自己組織化マップ(Self-Organizing-Maps)と呼ばれるニューラルネットワークモデルを扱うために開発された,GEMAと呼ばれるオープンソースのPythonライブラリについて述べる。
ライブラリは特定のユースケースで評価され、正確な結果が得られる。
- 参考スコア(独自算出の注目度): 1.713291434132985
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Organizations have realized the importance of data analysis and its benefits.
This in combination with Machine Learning algorithms has allowed to solve
problems more easily, making these processes less time-consuming. Neural
networks are the Machine Learning technique that is recently obtaining very
good best results. This paper describes an open-source Python library called
GEMA developed to work with a type of neural network model called
Self-Organizing-Maps. GEMA is freely available under GNU General Public License
at GitHub (https://github.com/ufvceiec/GEMA). The library has been evaluated in
different a particular use case obtaining accurate results.
- Abstract(参考訳): 組織はデータ分析の重要性とそのメリットを認識した。
この機械学習アルゴリズムと組み合わせることで、問題をより容易に解決することが可能になり、これらのプロセスの時間が短縮される。
ニューラルネットワークは、最近非常に良い結果を得た機械学習技術である。
本稿では、自己組織化マップと呼ばれるニューラルネットワークモデルを扱うために開発された、GEMAと呼ばれるオープンソースのPythonライブラリについて述べる。
GEMAはGitHubのGNU General Public License(https://github.com/ufvceiec/GEMA)の下で無料で利用できる。
ライブラリは特定のユースケースで評価され、正確な結果が得られる。
関連論文リスト
- BackboneLearn: A Library for Scaling Mixed-Integer Optimization-Based
Machine Learning [0.0]
BackboneLearnは、インジケータ変数による混合整数最適化問題を高次元問題に拡張するためのフレームワークである。
BackboneLearnはPythonで構築されており、ユーザフレンドリで簡単に実装できる。
BackboneLearnのソースコードはGitHubで入手できる。
論文 参考訳(メタデータ) (2023-11-22T21:07:45Z) - GRLib: An Open-Source Hand Gesture Detection and Recognition Python
Library [0.0]
我々は、静的および動的ハンドジェスチャを検出および分類できるオープンソースのPythonライブラリ、GRLibを提示する。
このライブラリは、分類の堅牢性を改善するために、既存のデータに基づいてトレーニングすることができる。
このライブラリは、別の公開HGRシステムであるMediaPipe Solutionsより優れていることが判明した。
論文 参考訳(メタデータ) (2023-10-23T13:24:21Z) - Causal-learn: Causal Discovery in Python [53.17423883919072]
因果発見は、観測データから因果関係を明らかにすることを目的としている。
$textitcausal-learn$は因果発見のためのオープンソースのPythonライブラリである。
論文 参考訳(メタデータ) (2023-07-31T05:00:35Z) - torchgfn: A PyTorch GFlowNet library [56.071033896777784]
torchgfnはPyTorchライブラリで、このニーズに対処することを目指している。
環境のためのシンプルなAPIと、サンプルと損失のための有用な抽象化を提供する。
論文 参考訳(メタデータ) (2023-05-24T00:20:59Z) - hyperbox-brain: A Toolbox for Hyperbox-based Machine Learning Algorithms [9.061408029414455]
Hyperbox-brainはオープンソースのPythonライブラリで、主要なハイパーボックスベースの機械学習アルゴリズムを実装している。
Hyperbox-brainは、よく知られたScikit-learnおよびnumpyツールボックスと互換性のある統一APIを公開する。
論文 参考訳(メタデータ) (2022-10-06T06:40:07Z) - PyGOD: A Python Library for Graph Outlier Detection [71.8385116214495]
PyGODは、グラフデータ上の外れ値を検出するオープンソースライブラリである。
コードの信頼性と保守性を向上するためのベストプラクティスを備えている。
論文 参考訳(メタデータ) (2022-04-26T06:15:21Z) - NeuralKG: An Open Source Library for Diverse Representation Learning of
Knowledge Graphs [28.21229825389071]
NeuralKGは知識グラフの多様な表現学習のためのオープンソースライブラリである。
従来のKGE、GNNベースのKGE、ルールベースのKGEを含む3種類の知識グラフ埋め込み(KGE)メソッドを実装している。
論文 参考訳(メタデータ) (2022-02-25T09:13:13Z) - PyTorch Geometric Signed Directed: A Software Package on Graph Neural
Networks for Signed and Directed Graphs [20.832917829426098]
PyGSD (PyTorch Geometric Signed Directed) は、PyGSDのソフトウェアパッケージである。
PyGSDは、使い易いGNNモデル、合成および実世界のデータ、タスク固有の評価指標と損失関数で構成されている。
PyGの拡張ライブラリとして提案されているソフトウェアは、オープンソースリリース、詳細なドキュメント、継続的インテグレーション、ユニットテスト、コードカバレッジチェックでメンテナンスされています。
論文 参考訳(メタデータ) (2022-02-22T10:25:59Z) - Solo-learn: A Library of Self-supervised Methods for Visual
Representation Learning [83.02597612195966]
solo-learnは視覚表現学習のための自己指導型のメソッドのライブラリである。
Pythonで実装され、PytorchとPytorch Lightningを使用して、このライブラリは研究と業界のニーズの両方に適合する。
論文 参考訳(メタデータ) (2021-08-03T22:19:55Z) - Captum: A unified and generic model interpretability library for PyTorch [49.72749684393332]
我々は,PyTorch用の新しい,統一されたオープンソースモデル解釈可能性ライブラリを紹介する。
このライブラリには、多くの勾配と摂動に基づく属性アルゴリズムの汎用的な実装が含まれている。
分類モデルと非分類モデルの両方に使用できる。
論文 参考訳(メタデータ) (2020-09-16T18:57:57Z) - On the distance between two neural networks and the stability of
learning [59.62047284234815]
本稿では, パラメータ距離と勾配分解を, 幅広い非線形構成関数のクラスに関連付ける。
この分析により、ニューラルネットワークの深い相対信頼と降下補題と呼ばれる新しい距離関数が導かれる。
論文 参考訳(メタデータ) (2020-02-09T19:18:39Z)
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。