Публикации по теме 'data-science'
Компьютерное зрение: развертывание моделей сегментации изображений на Vertex AI
В самом последнем блоге нашей серии Компьютерное зрение мы показали вам, как использовать AutoML Vertex AI для обучения и развертывания модели обнаружения объектов. Каким бы мощным и эффективным ни был AutoML, вам может понадобиться гибкость для обучения и развертывания большего количества заказных моделей или решения задачи компьютерного зрения, которая в настоящее время не поддерживается AutoML. К счастью, Vertex AI также поможет вам в этом, предлагая настраиваемые параметры для..
Работа с сэмплером Гиббса, часть 1 (машинное обучение)
Разделенный сэмплер Гиббса Plug-and-Play: встраивание глубоких генеративных априорных значений в байесовский вывод (arXiv)
Автор: Флорентен Керду , Николя Добижон , Пьер Шене .
Аннотация: Флорентен Керду , Николя Добижон , Пьер Шене .
2. Блокированный семплер Гиббса для иерархических процессов Дирихле (arXiv)
Автор: Снигдха Дас , Ябо Ниу , Янг Ни , Бани К. Маллик , Дебдип Пати .
Аннотация: Апостериорное вычисление в смешанных моделях иерархического процесса Дирихле..
Наука о данных в 2023 году: взгляд в будущее
Наука о данных — это быстро развивающаяся область, в которой за последнее десятилетие наблюдался огромный рост. По мере того, как технологии продолжают развиваться, возрастает и роль науки о данных в нашей жизни. В 2023 году наука о данных станет еще более распространенной и мощной, чем сегодня. Вот взгляд на то, что мы можем ожидать от науки о данных в ближайшие несколько лет.
Во-первых, наука о данных станет еще более доступной для предприятий любого размера. С появлением облачных..
5 лучших неизвестных учебных проектов без учителя на Github, которые помогут вам с машинным обучением…
Неконтролируемое обучение — это тип алгоритма, который изучает шаблоны из немаркированных данных. Надежда состоит в том, что машина вынуждена создавать компактное внутреннее представление своего мира посредством мимикрии. Википедия
Неконтролируемая классификация выполняется довольно быстро и легко. Предварительных знаний в этой области не требуется, но вы должны уметь идентифицировать и обозначать классы после классификации .
Основные области применения неконтролируемого..
Различные способы тренировочных тестовых сплитов (часть 2: использование :Split)
на Python доктора Элвина Анга
https://www.alvinang.sg/s/Various_Ways_of_Train_Test_Splits_with_Python_by_Dr_Alvin_Ang-1.ipynb
Шаг 1. Введите набор данных
Шаг 2: вытащите букву y
Шаг 3: Тренировка тестового сплита
split = int(0.8*len(X))
X_train, X_test, y_train, y_test = X[:split], X[split:], y[:split], y[split:]
О докторе Элвине Анге
Доктор Элвин Анг получил степень доктора философии, магистра и бакалавра в NTU, Сингапур. Ранее он был главным..
Вот как выбрать модель прогнозирования временных рядов
Прогнозирование временных рядов — это процесс анализа и моделирования данных временных рядов. Это помогает прогнозировать будущее поведение рынка, что полезно при принятии решений для каждого бизнеса. Некоторыми из приложений прогнозирования временных рядов являются прогнозирование погоды и климата, прогнозирование продаж, бизнес-прогнозирование, прогнозирование фондового рынка и т. Д. Работая над проблемой прогнозирования временных рядов, вы должны знать, как выбрать модель..
Анаконда и ошибка Spyder
Anaconda и Spyder не работают после запроса на обновление
Я не собирался писать сегодня.
Но я так разочаровался в Анаконде, что чувствую, что это единственное, что я могу сделать (в данный момент времени). Да, наверное, мне следует написать об этом в stack overflow или каком-нибудь другом онлайн-сообществе, где технические специалисты действительно смогут мне помочь, но мне не хочется. Один из секретов хорошего обращения с компьютером — умение задавать правильные вопросы (и понимать..
Новые материалы
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..
ИИ в аэрокосмической отрасли
Каждый полет – это шаг вперед к великой мечте. Чтобы это происходило в их собственном темпе, необходима команда астронавтов для погони за космосом и команда технического обслуживания..