720 makale incelemesinde başlık, yazar, anahtar kelime veya DOI ile arayın.
“makine öğrenmesi modelleri” için 13 makale incelemesi bulundu.
T sayıda yerel eğitilebilir kuantum kanalına sahip temel kuantum makine öğrenmesi modellerinde genelleştirme hatası en kötü durumda karekök T bölü N (sqrt(T/N)) oranıyla ölçeklenmektedir.
Eğitilen modeller arasında CatBoost ve Karar Ağaçları (Decision Tree) %87 ile en yüksek doğruluğa ulaşırken, XGBoost %86.87, MLP %85.98 ve Gaussian Naive Bayes %73 başarım elde etmiştir.
Uygulanan tüm makine öğrenmesi algoritmaları mahalle tahmininde %84'ün üzerinde doğruluk ve F-ölçütü performansı sergilemiştir.
Beklenen gol modellerinde şutun kaleye olan mesafesi ve kaleye göre açısı, şutun golle sonuçlanma olasılığını belirleyen en baskın ve kritik coğrafi değişkenler olarak öne çıkmaktadır.
GPT-4 modeli, ABD Gaziler Temyiz Kurulu kararlarındaki retorik rolleri ve CUAD ticari sözleşme maddelerini etiketleme görevlerinde eğitilmiş Random Forest modelinin başarımını yakalamış veya geride bırakmıştır.
Altman Z-skoru modeli, inceleme dönemi boyunca BIST Sanayi Endeksi'ndeki imalat şirketlerinin büyük çoğunluğunu başarısız olarak sınıflandırarak Türkiye imalat sektörü için yetersiz bir ayırıcı güç sergilemiştir.
Haber başlıklarından elde edilen negatif duygu skorları ile aynı günkü FTSE100 endeks getirileri arasında istatistiksel olarak anlamlı ve negatif yönlü bir korelasyon (r = -0.45, p < 0.05) saptanmıştır.
Gelecek nesil hesaplama sistemleri, performansa özgü iş yükü hedefleriyle birlikte çalışarak bilgi işlem hizmetlerinin merkeziyetsizleşmesini önemli ölçüde kolaylaştıracaktır.
ChatGPT ve benzeri büyük dil modelleri, dilbilgisi düzeltme, yapılandırma ve editoryal süreçleri hızlandırma açısından akademik yazıma katkı sağlama potansiyeli taşımaktadır.
CFiCS yöntemi, klinik metin gomuleri ile cizge yapisini entegre ettiginde, tum gorevlerde geleneksel rastgele ormanlar ve temel BERT modellerine kiyasla mikro ve makro F1 skorlarinda belirgin artislar sağlamaktadir.
Bireysel ön-geri getirme sörgü öngörücüleri ile kişiselleştirme performansının değişimi arasında yapılan analizler, tek başına hiçbir öngörücünün güçlü ve tutarlı bir korelasyon sergilemediğini göstermektedir.
Geliştirilen CapsNet-MOO modeli GMDSS veri kümesi üzerinde %91,2 sınıflandırma doğruluğuna ulaşarak geleneksel CNN (%85,4), SVM (%82,7) ve Rastgele Orman (%84,1) modellerini belirgin şekilde geride bırakmıştır.
Rastgele Orman ve Yapay Sınır Ağları sınıflandırma senaryolarında yüksek doğruluk oranları sunarken, Lojistik Regresyon ve AdaBoost yöntemleri düşük başarım sergilemiştir.