Публикации по теме 'data-science'
Как работает множественное обучение, часть 1 (искусственный интеллект)
Наблюдение за Землей от сцены к участку: обучение множеству экземпляров для классификации земного покрова (arXiv)
Автор: Джозеф Ранний , Йинг-Юнг Дьюис , Кристин Эверс , Сарвапали Рамчурн .
Аннотация: Классификация земного покрова (LCC) и мониторинг изменений землепользования с течением времени — важный процесс смягчения последствий изменения климата и адаптации к нему. Существующие подходы, которые используют машинное обучение с данными наблюдения Земли для LCC, полагаются..
Машинное обучение Plug-and-play в кошельке от GNY.
Обзор этого выпуска новостей.
- Система GNY позволяет предприятиям безопасно и совместно раскрывать скрытую ценность своих данных за счет интеграции машинного обучения коммерческого уровня и блокчейна.
– Наше последнее обновление кошелька позволяет вам испытать ряд наших контрактов на машинное обучение с поддержкой plug-and-play в кошельке.
– Теперь вы можете опробовать наши контракты на машинное обучение для розничной торговли, определения местоположения и мошенничества, а также..
Научные вычисления с Python
На этой неделе Data Science Book — это недавно выпущенное второе издание Научных вычислений с помощью Python К. Фюрера, О. Вердье и Дж. Э. Солема, которое заполняет важный пробел на книжных полках большинства специалистов по данным. Высокопроизводительные вычисления, особенно научные и числовые вычисления, — это довольно техническая область компьютерных наук, с которой большинство программистов на самом деле не знакомы. Это требует глубокого понимания тонкостей используемых структур..
Повышение градиента и экстремальное усиление градиента (XGBoost)
Понимание повышения градиента и экстремального повышения градиента (XGBoost)
Повышение градиента
Градиент Boosting – это ансамблевая модель обучения. Модели ансамблевого обучения также называют слабыми учениками и обычно представляют собой деревья решений. В этом методе используются две важные концепции: градиентный спуск и усиление . Существует несколько вариантов Gradient Boosting, о которых мы поговорим позже в этой статье.
Экстремальное повышение градиента (XGBoost)..
Когда выбросы значительны: взвешенная линейная регрессия
Когда выбросы значительны: взвешенная линейная регрессия
Методы взвешенной регрессии, включающие значительные выбросы
Выбросы часто бывают озорными. У них есть потенциал нарушить простой в остальном процесс регрессии, представляя себя данными, столь же важными, как и все остальное, часто искажая подобранную модель. Прямой подход заключается в использовании методов обнаружения выбросов для их удаления из набора данных перед подгонкой модели. Но в этом есть свои оговорки. Иногда..
JSON в Databricks и PySpark
Советы и рекомендации по обработке данных JSON в Databricks с помощью PySpark
В простом случае JSON легко обрабатывается в Databricks. Вы можете прочитать файл объектов JSON непосредственно в DataFrame или таблице, а Databricks знает, как анализировать JSON в отдельных полях. Но, как и в большинстве вещей, связанных с программным обеспечением, здесь есть недостатки и вариации. В этой статье показано, как справляться с наиболее распространенными ситуациями, и приведены подробные..
Время в машинном обучении ⌛ - Аргумент искусственного исчисления
Эта статья начиналась как шутка и не слишком далеко зашла в пространстве состояний. Это остроумная и не очень строгая попытка продемонстрировать важность времени в проектах машинного обучения, которая вызовет раздражение большинства математиков и оттолкнет некоторых физиков. В этом есть доля правды… просто ее очень трудно найти. Наслаждаться! 💡
Время в разработке программного обеспечения
В Google есть поговорка о разработке программного обеспечения (сокращенно SWE), которая звучит..
Новые материалы
Как создать диаграмму градиентной кисти с помощью D3.js
Резюме:
Из этого туториала Вы узнаете, как добавить градиентную кисть к диаграмме с областями в D3.js. Мы добавим градиент к значениям SVG и применим градиент в качестве заливки к диаграмме с..
Я хотел выучить язык программирования MVC4, но не мог выучить его раньше, потому что это выглядит сложно…
Просто начните и учитесь самостоятельно
Я хотел выучить язык программирования MVC4, но не мог выучить его раньше, потому что он кажется мне сложным, и я бросил его. Это в основном инструмент..
Лицензии с открытым исходным кодом: руководство для разработчиков и создателей
В динамичном мире разработки программного обеспечения открытый исходный код стал мощной парадигмой, способствующей сотрудничеству, инновациям и прогрессу, движимому сообществом. В основе..
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..