Публикации по теме 'calculus'
Математика для машинного обучения и искусственного интеллекта
Хотя машинное обучение и искусственный интеллект становятся все более и более доступными, знание математики, лежащей в основе алгоритмов, делает вас лучшим практиком. У многих людей есть боязнь математики, которая отпугивает их от математических знаний в этой области. В этом посте мы собрали книги, которые помогут вам преодолеть боязнь математики и изучить математику в достаточном количестве, чтобы понять и оценить математические основы машинного обучения и искусственного интеллекта...
Градиентный спуск через Python
Это краткое руководство по настройке, работе и пониманию градиентного спуска.
Цель : минимизировать выпуклую функцию или максимизировать вогнутую функцию.
Шаги высокого уровня:
Выберите функцию стоимости Вычислите первую производную (частные производные в некоторых случаях) Постепенно сходитесь к точке минимума. Простая интуиция, вогнутость можно представить как выпуклую функцию при переворачивании.
import random
import numpy as np
from sklearn import datasets
2D..
Серия машинного обучения — Математический обзор для исчисления ML(1)
Я собираюсь представить очень краткий обзор математики (исчисление, вероятность, линейная алгебра) для ML. У вас уже есть хорошие библиотеки, поэтому вы можете не думать, что вам нужно знать математику для машинного обучения. Я уверен, что этот математический обзор вам очень поможет. мы собираемся очень кратко рассмотреть исчисление, линейную алгебру и вероятность для ML. Давайте сначала рассмотрим основы исчисления!
Число Эйлера и производные
Число Эйлера (основание..
Время в машинном обучении ⌛ - Аргумент искусственного исчисления
Эта статья начиналась как шутка и не слишком далеко зашла в пространстве состояний. Это остроумная и не очень строгая попытка продемонстрировать важность времени в проектах машинного обучения, которая вызовет раздражение большинства математиков и оттолкнет некоторых физиков. В этом есть доля правды… просто ее очень трудно найти. Наслаждаться! 💡
Время в разработке программного обеспечения
В Google есть поговорка о разработке программного обеспечения (сокращенно SWE), которая звучит..
ПУТЕШЕСТВИЕ…. Исчисление!
Этот пост в блоге — мой прогресс за 6-й день в #100DaysofMLCode . Возвращение к основам машинного обучения помогло мне лучше понять то, что я узнал. В этом сообщении в блоге я поделюсь своими заметками о Deep Learning Book Chapter 4: Numerical Computation . Я определенно чувствую мем выше.
Обратите внимание, что этот пост предназначен для того, чтобы я мог в будущем ознакомиться с материалами этой книги, не перечитывая ее заново.
Вычисление больших числовых вычислений..
Новые материалы
Объяснение документов 02: BERT
BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка.
Во время предварительного обучения модель обучается на неразмеченных данных с помощью..
Как проанализировать работу вашего классификатора?
Не всегда просто знать, какие показатели использовать
С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..
Работа с цепями Маркова, часть 4 (Машинное обучение)
Нелинейные цепи Маркова с агрегатором и их приложения (arXiv)
Автор : Бар Лайт
Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..
Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
Как вы сегодня, ребята?
В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..
Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение.
В этом процессе мы будем использовать неконтролируемое обучение, чтобы..
Учебные заметки: создание моего первого пакета Node.js
Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm.
Оглавление
Глоссарий
I. Новый пакет
1.1 советы по инициализации..
Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных.
Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..