Публикации по теме 'data-analysis'
Битва между Python и R: что лучше для анализа данных?
Битва между Python и R: что лучше для анализа данных?
Это зависит от обстоятельств! Языки программирования Python и R полезны для анализа данных, но в неакадемических условиях лучше использовать Python. Python легче изучать, Python быстрее, есть больше перспективных вакансий на основе Python, и он имеет большое и постоянно растущее сообщество пользователей.
В связи с тем, что предприятия и многие учреждения ежедневно собирают все большие объемы данных, растет спрос на аналитиков..
Разработки в области численного анализа, часть 2 (2022 г.)
1.Числовой ранг сингулярных ядерных функций ( arXiv )
Автор: Ритеш Хан , В. А. Кандаппан , Шиварам Амбикасаран
Аннотация: мы изучаем ранг подматриц, возникающих из ядерных функций, F (x, y) : Rd × Rd ⏰→ R, где x, y ∈ Rd, которые имеют особенность вдоль диагональ х = у. Такие функции ядра часто встречаются в широком диапазоне приложений, таких как задачи N тел, функции Грина, интегральные уравнения, геостатистика, кригинг, гауссовские процессы и т. д. Одна из проблем при..
Ошибка типа I и типа II и значения P
Существует два типа ошибок при проверке гипотез: один тип I, а другой тип II.
Ошибка типа I. Ошибка возникает, когда мы отклоняем правильную нулевую гипотезу. также, to называется ложным срабатыванием . Вероятность совершения ошибки такого типа равна α (уровень значимости).
Ошибка типа II. Эта ошибка возникает, когда мы принимаем ложную нулевую гипотезу. также он называется ложноотрицательным . Вероятность совершения этой ошибки обозначается β. β зависит от размера выборки..
Целевые клиенты, умно!
Введение в алгоритм Epsilon Greedy и выборку Томпсона
На июльской встрече тайваньских профессионалов в области данных Гэри Чен из Amex дал отличное введение в предвзятость выживания и алгоритм решения этой проблемы, алгоритм Epsilon Greedy и выборку Томпсона . В этой статье я с нуля объясню, как это работает. Часть кода модифицирована из класса Байесовское машинное обучение на Udemy.com. Это подробный, но краткий материал, который я настоятельно рекомендую.
Хорошо, поехали!..
Понимание центральной предельной теоремы для науки о данных
Центральная предельная теорема - одна из самых важных и очень фундаментальных теорем в статистике, которая широко используется в науке о данных и других связанных задачах. В этом блоге мы шаг за шагом разберемся с центральной предельной теоремой с некоторыми фрагментами кода Python.
Прежде чем перейти к основной идее центральной предельной теоремы, давайте обсудим некоторые самые базовые идеи статистики.
Что такое население в статистике?
В вероятности и статистике популяция..
Обнаружение аномалий: выявление выбросов в данных
В анализе данных обнаружение аномалий — это процесс выявления точек данных, которые значительно отклоняются от большинства данных. Эти точки данных также известны как выбросы и могут дать ценную информацию о данных.
Выбросы могут быть вызваны различными причинами, такими как ошибки ввода данных, неисправности оборудования или естественные изменения данных. Важно выявить эти выбросы и выяснить причину, поскольку они могут повлиять на точность и надежность анализа...
Исследовательский анализ и прогнозирование диабета с использованием машинного обучения
Данные о диабете , которые мы попытаемся провести для исследовательского анализа данных и прогнозов, я получил от Kaggle.
Набор данных состоит из 9 столбцов и 768 строк, объяснение всех особенностей:
Беременности : количество беременностей каждой пациентки. Глюкоза: число содержания сахара в крови. BloodPressure : число артериального давления указывает на низкое или высокое кровяное давление. SkinThickness : толщина кожи. Инсулин : количество гормонов, регулирующих уровень..
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..