Публикации по теме 'data-engineering'
Упрощенное объяснение трансферного обучения в глубоком обучении: что вы должны знать
Трансферное обучение может помочь решить проблемы глубокого обучения, особенно проблемы компьютерного зрения, с очень небольшим количеством данных и очень небольшой вычислительной мощностью по сравнению с масштабом проблемы.
Проще говоря, перенос обучения — это процесс использования того, что было изучено на одной модели, для обучения другой модели. Мы экономим время и нервы, поскольку нам не нужно обучать модель с нуля. Из-за сложности задачи у вас может возникнуть задача для..
Произведите впечатление на своих друзей! Создайте бессерверного бота, который ежедневно отправляет шутки в группу Telegram.
Typhoon Orchestrator — отличный способ развернуть рабочий процесс ETL на AWS Lambda. В этом руководстве мы намерены показать, насколько он прост в использовании и универсален, развернув код в Lambda, который получает случайную шутку от https://jokeapi.dev один раз в день и отправляет ее в вашу группу Telegram.
Начиная
Первое, что вам нужно сделать, это установить тайфун и остальные зависимости, необходимые для этого руководства, желательно в виртуальной среде.
pip install..
Функция окна SQL
Функция окна SQL
Расчленение оконной функции
Оконная функция — это мощная функция SQL, которая позволяет пользователям выполнять вычисления и анализ подмножества строк в запросе. Оконная функция выполняет вычисления с данными без агрегирования текущих строк.
Оконные функции вычисляют результат на основе скользящей оконной рамы. Рамка окна — это набор строк, связанных с текущей строкой. Связь заключается в том, что все строки имеют одно и то же значение для всех терминов..
Что такое данные в 21 веке?
Г-н Зеро всегда был очарован современным миром и технологиями. Он был потрясен тем фактом, что в 2017 году данные превзошли глобальную стоимость нефти , но он не был уверен, какие именно данные (в его основная сущность). Как можно определить данные? (Он задавался вопросом), то, что вы не можете потрогать или почувствовать, сейчас является самой ценной вещью в мире.
Что ж, мистер Зеро — младший аналитик данных, и он работает в этом бизнесе уже несколько месяцев. Возвращаясь домой,..
Усовершенствуйте свои навыки обработки данных с помощью этого конвейера машинного обучения
Моделирование данных, Python, DAG, форматы файлов больших данных, затраты… Он охватывает все
Это реальный сценарий, когда мне поручили создать масштабируемый конвейер машинного обучения с необработанными данными о событиях, отправляемыми из мобильного приложения.
История предлагает набор передовых методов, которые могут быть полезны для подготовки к интервью.
Узнайте, как работать с необработанными данными, преобразовывать их, обогащать для подготовки к машинному обучению,..
Моя страсть к программированию: путь от нуля до инженера данных
Я до сих пор помню первые дни своей инженерной деятельности, когда я начал программировать на языке C без ноутбука. Это было трудное начало, но моя страсть к программированию поддерживала меня. Я начал с малого, написав небольшие программы в мобильном приложении, потому что у меня не было ноутбука, чтобы практиковаться в программировании, и это помогло мне развить мой интерес к программированию.
Во время пандемии COVID-19 у меня появилось больше свободного времени, и я решил пройти..
Учебное пособие по ООП в Python — Часть 2
Введение
Эта статья является второй частью серии учебных пособий по ООП в Python. Я продолжу реализацию некоторых основных концепций ООП, которые помогут вам в вашем путешествии по программированию, продолжая развивать класс покемонов.
Части статьи
Статические методы Методы класса Полиморфизм Инкапсуляция, сокрытие данных и методы установки Принцип замещения Лискова Сеттер и декоратор @property
Примечание
Напоминаю, что в прошлой статье я реализовал два класса, Pokémon и..
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..