Публикации по теме 'data-science'
Основные понятия тензоров
Основные понятия тензоров
Глубокое обучение
Предисловие
Базовая структура данных всех современных систем машинного обучения использует тензоры , что свидетельствует о ее важности для области глубокого обучения. Давайте представим это подробно.
Подобно спискам и кортежам, тензоры являются контейнерами данных, но почти все они представляют собой числовые данные. Его можно разделить на тензоры различной структуры в соответствии с разными размерностями . Проиллюстрируем это...
Логистическая регрессия — День 28
50-дневный план обучения для начинающих специалистов по данным | Автор: Круио
Добро пожаловать на 28-й день вашего путешествия по науке о данных! На наших предыдущих сессиях мы рассмотрели широкий спектр тем: от статистики и Python до библиотек линейной регрессии и машинного обучения. Сегодня мы углубимся в еще одну важную тему: логистическую регрессию.
Несмотря на свое название, логистическая регрессия представляет собой алгоритм классификации, используемый для прогнозирования..
Введение в прикладную линейную алгебру: векторы
Цель: эта статья представляет собой введение в векторы, векторные операции и их приложения в области науки о данных.
Почему вам следует его изучить. Это основа почти всех методов машинного обучения, позволяющих учиться на данных, будь то прогнозирование, классификация или кластеризация.
Оглавление:
Что такое вектор? Добавление вектора Скалярно-векторное умножение Скалярное произведение Линейные комбинации
Что такое вектор?
Вектор — это упорядоченный конечный список..
Как работают устройства NISQ часть 2
Quantum Volume на практике: что пользователи могут ожидать от устройств NISQ (arXiv)
Автор: Элайджа Пелофске , Андреас Берчи , Стефан Эйденбенц
Аннотация: Квантовый объем (QV) стал де-факто стандартным эталоном для количественной оценки возможностей шумных промежуточных квантовых устройств (NISQ). Хотя поставщики NISQ часто сообщают значения QV для своих систем, мы выполняем собственную серию расчетов QV на 24 устройствах NISQ, предлагаемых в настоящее время IBM~Q, IonQ,..
Инновационные приложения нейронного машинного перевода, часть 3 (машинное обучение)
Полууправляемый нейронный машинный перевод с регуляризацией согласованности для языков с низким уровнем ресурсов (arXiv)
Автор: Вьет Х. Фам , Тханг М. Фам , Джианг Нгуен , Лонг Нгуен , Дьен Динь .
Аннотация: Появление глубокого обучения привело к значительному прогрессу в машинном переводе. Однако для большинства исследований требовался большой параллельный набор данных, который является дефицитным и дорогостоящим для создания и даже недоступен для некоторых языков. В этой статье..
Алгоритмы на основе деревьев 1: деревья решений
В этой статье вы получите общее представление о деревьях решений, строительном блоке современных алгоритмов машинного обучения, таких как XGBoost и LightGBM. Сначала мы подробно рассмотрим принцип работы, а затем реализуем его с помощью Scikit-Learn.
Алгоритмы машинного обучения на основе дерева зарекомендовали себя как первые алгоритмы в отрасли. Когда проблема дается для решения, большинство людей сначала обращаются к этим алгоритмам, даже если они могут быть более дорогими в..
Ежедневный совет по анализу данных - № 7
Ежедневный совет по анализу данных - № 7
Краткое введение в переоснащение машинного обучения и нейронных сетей.
Переобучение происходит, когда обученная модель обобщает обучающие данные и не может точно предсказать невидимые данные. Это происходит потому, что модель слишком внимательно изучила особенности обучающих данных, включая шум.
Переобучение также может произойти, если обучающие данные не точно представляют распределение тестовых данных.
Переобучение можно исправить,..
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..