Прикладное машинное обучение и глубокое обучение

Для многих исследователей и практиков машинного обучения работа с последовательностями (текст, звук, какой-либо другой сигнал) автоматически означает использование рекуррентных нейронных сетей.

Однако, в последнее время всё больше результатов указывает на то, что свёрточные архитектуры работают лучше в таких задачах, как, например, генерация звука и машинный перевод.

Авторы недавнего исследования, о котором пойдет речь, системно подошли к вопросу конкуренции RNN и CNN, изучив эффективность обеих архитектур на нескольких разноплановых задачах.

Докладчик: Алексей Шпильман

Время начала: 18:30