Sökning: "Gaussisk blandningsmodell"

Visar resultat 1 - 5 av 7 uppsatser innehållade orden Gaussisk blandningsmodell.

1. 1. Regression with Bayesian Confidence Propagating Neural Networks

   Master-uppsats, KTH/Skolan för elektroteknik och datavetenskap (EECS)

   Författare :Raghav Rajendran Bongole; [2023]
   Nyckelord :Machine Learning; Neural Networks; Brain-like computing; Bayesian Confidence Propagating Neural Networks; Maskininlärning; neurala nätverk; hjärnliknande datorer; Bayesian Förtroendespridande neurala nätverk;

   Sammanfattning : Bayesian Confidence Propagating Neural Networks (BCPNNs) are biologically inspired artificial neural networks. These networks have been modeled to account for brain-like aspects such as modular architecture, divisive normalization, sparse connectivity, and Hebbian learning. LÄS MER

3. 2. Neural Ordinary Differential Equations for Anomaly Detection

   Master-uppsats, KTH/Matematisk statistik

   Författare :Jón Hlöðver Friðriksson; Erik Ågren; [2021]
   Nyckelord :Anomaly detection; Neural ordinary differential equations; Statistical modelling; Autoregression; Variational autoencoder; Multivariate time series; Anomalidetektion; Neurala ordinära differentialekvationer; Statistisk modellering; Autoregression; Variational autoencoder; Multivariat tidsserie;

   Sammanfattning : Today, a large amount of time series data is being produced from a variety of different devices such as smart speakers, cell phones and vehicles. This data can be used to make inferences and predictions. Neural network based methods are among one of the most popular ways to model time series data. LÄS MER

4. 3. Incorporating Metadata Into the Active Learning Cycle for 2D Object Detection

   Master-uppsats, KTH/Skolan för elektroteknik och datavetenskap (EECS)

   Författare :Karsten Stadler; [2021]
   Nyckelord :Active learning; Deep Learning; Object detection; Metadata; Nuscenes Nuimages; Gaussian mixture model; Rejection sampling; Monte-Carlo methods; Aktiv Inlärning; Djupinlärning; Objektdetektering; metadata; Nuscenes Nuimages; Gaussisk blandingsmodell; Rejection sampling; Monte-Carlo metoder;

   Sammanfattning : In the past years, Deep Convolutional Neural Networks have proven to be very useful for 2D Object Detection in many applications. These types of networks require large amounts of labeled data, which can be increasingly costly for companies deploying these detectors in practice if the data quality is lacking. LÄS MER

5. 4. Identifiering av problematiska leveransplaner med maskininlärning

   Uppsats för yrkesexamina på avancerad nivå, Blekinge Tekniska Högskola/Institutionen för industriell ekonomi

   Författare :Rama Sapper; Sarah Bringemo; [2021]
   Nyckelord :Delivery schedules; machine learning; EDI; supplier; supply chain; Leveransplaner; maskininlärning; EDI; leverantör; försörjningskedja;

   Sammanfattning : Introduktion: Denna studie behandlar förändringar i leveransplaner inom försörjningskedjan. Huvudmän skickar många nya leveransplaner på grund av osäker efterfrågan vilket ställer till problem för leverantören i form av ökade kostnader av bland annat lager, transport, material och resurser. LÄS MER

7. 5. Capturing Tail Risk in a Risk Budgeting Model

   Master-uppsats, KTH/Matematisk statistik

   Författare :Filip Lundin; Markus Wahlgren; [2020]
   Nyckelord :;

   Sammanfattning : Risk budgeting, in contrast to conventional portfolio management strategies, is all about distributing the risk between holdings in a portfolio. The risk in risk budgeting is traditionally measured in terms of volatility and a Gaussian distribution is commonly utilized for modeling return data. LÄS MER