Публикации по теме 'data-science'
Прогнозирование рака легких
Каковы настоящие симптомы рака легких? Давайте ответим на него в этой статье
Фон
Рак легких — это тип рака, который начинается в легких. Ваши легкие — это два губчатых органа в груди, которые поглощают кислород при вдохе и выделяют углекислый газ при выдохе.
Рак легких является ведущей причиной смертности от рака во всем мире.
Рак легких обычно не вызывает признаков и симптомов на самых ранних стадиях. Признаки и симптомы рака легких обычно проявляются на поздних стадиях..
Facebook и Нью-Йоркский университет снижают нагрузку на больницы, связанные с Covid - прогноз Covid с помощью самостоятельного обучения
Достижение впечатляющих результатов с помощью самоконтроля с использованием трансформаторов и контрастного обучения
Прогноз Covid и скрининг - непростая задача, особенно при отсутствии данных. Решение этой проблемы с помощью ИИ в значительной степени доказало бы эффективность ИИ, поскольку помогло бы справиться с одной из худших пандемий. Единственная проблема заключается в том, что ИИ полагается на тонны данных, и миру нужно в короткие сроки решить чрезмерную нагрузку на больницы...
CoreML — Построение модели для Boston Prices
А теперь важный момент: мы собираемся преобразовать нашу модель в объект .mlmodel !! Готовый?
print("Let us now convert this model into a Core ML object:")
# Convert model to Core ML
coreml_model = coremltools.converters.sklearn.convert(my_model,
input_features=["crime", "rooms"],
output_feature_names="price")
# Save Core ML Model..
Azure Synapse Analytics — Workspace — Запуск автоматизированного машинного обучения с помощью машинного обучения Azure
Унифицированный аналитический инструмент для приема, вычисления или обработки данных, хранения данных, расширенной аналитики или машинного обучения и отображения всего в одном инструменте. Платформа сквозной аналитики данных, созданная для масштабирования и простоты использования.
Расширенная аналитика Synapse
Synapse может запускать код на основе искры, что приводит к разработке данных или разработке функций, а также к машинному обучению. В этой статье описывается, как обучить..
Как применить обработку естественного языка с помощью больших предварительно обученных языковых моделей
Руководство по применению НЛП с помощью больших предварительно обученных языковых моделей.
Когда мы думаем о поисковых системах, мы думаем о Google, возможно, именно так вы нашли этот пост. За этим движком стоят разные модели, запрашивающие ваш результат, и одна из них — BERT ( представления двунаправленного кодировщика от преобразователей). BERT — это пример предварительно обученной языковой модели на основе преобразователя (PLM). , причина, по которой это так важно, заключается в..
Машинное обучение
Когда начинать исследование данных
Начнем с Гипотезы.
Исследование данных
Сначала разберитесь со своими данными!
1. Идентификация переменных 2. Одномерный анализ 3. Двумерный анализ
1.Идентификация переменной
Определение заданной бизнес-проблемы!
2. Одномерный анализ
Исследуйте переменные одну за другой в зависимости от типа переменной (категориальная или непрерывная), а также используйте для выделения отсутствующих и выпадающих значений.
Непрерывная..
Графовые нейронные сети: путь обучения с 2008 года — Python & Graph Convolutional Network
Сегодня ясный и практический взгляд на теорию GCN. Мы рассмотрим реализацию PyTorch 🔦 GCN 👩🎓 от Kipf. Затем мы применим то, что узнали, к ненавистному набору данных Twitter 🔥
Мои предыдущие посты о графах и машинном обучении:
Графовые нейронные сети: путь обучения с 2008 года — часть 1 Графовые нейронные сети: путь обучения с 2008 года — Часть 2 Graph Neural Networks: путь обучения с 2008 года — Deep Walk Graph Neural Networks: путь обучения с 2008 года — Python & Deep..
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..