WedX - журнал о программировании и компьютерных науках

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..


Для любых предложений по сайту: [email protected]