Публикации по теме 'data-science'
Создание игрового ИИ с обучением с подкреплением в Python
Введение
Обучение с подкреплением – это ветвь искусственного интеллекта, которая фокусируется на обучении агентов принятию решений путем выполнения определенных действий в среде, чтобы максимизировать сигнал вознаграждения. Это подход к обучению методом проб и ошибок , когда агент выполняет действия и получает отзывы в виде вознаграждений или штрафов, которые он использует для обновления своей стратегии и улучшения его принятие решений .
В этой статье мы расскажем об основах..
Является ли машинное обучение будущим бизнеса?
Является ли машинное обучение будущим бизнеса?
Covid 19 стал плохой новостью и в конечном итоге изменил ход всех видов рабочих мест. Все виды организаций должны скорректировать свои графики в новой реальности, в которой мы живем. Во многих отчетах утверждается, что процент автоматизированных рабочих мест заметно возрастет в ближайшие годы. Машинное обучение и искусственный интеллект произведут серьезные преобразования в большинстве предприятий после Covid-19. Машинное обучение..
1000 долларов владельцам скрейпов
Существующим клиентам нужны владельцы малого бизнеса во Флориде!
Опять же, Python был предпочтительным инструментом для очистки владельцев. Конечно, вы можете удивиться, как мне удалось взять за это 1000 долларов. Во-первых, это был многоэтапный процесс, и я согласился дать ему код. Итак, мне нужно будет назначить время для его тренировки — это займет около 45 минут.
Шаги:
Очистите сайт UCC Флориды, чтобы найти соответствующие предприятия. Очистите бизнес-сайт Флориды, чтобы найти..
Битва соседей
Изучение Большого дуриана для бизнес-возможности кофейни
Эта статья написана как часть финальной заявки на курс Applied Data Science Capstone курса Coursera IBM Data Science Professional Certificate .
Доступ к проекту можно получить в этом репозитории GitHub .
Введение
Джакарта — особый столичный регион Индонезии, архипелаг в Юго-Восточной Азии. Он расположен на северо-западном побережье Явы, где проживает 10,5 миллионов человек, и является второй по величине городской..
Преодоление дилеммы смещения и дисперсии: руководство для специалистов по машинному обучению
Инь и Ян машинного обучения: уравновешивание предвзятости и дисперсии
Компромисс между смещением и дисперсией – это фундаментальная концепция машинного обучения и статистики, связанная со способностью модели точно фиксировать базовые закономерности в наборе данных . По сути, компромисс между смещением и дисперсией относится к балансу между сложностью модели и ее способностью обобщать новые, неизвестные данные .
У нас есть данные, которые мы используем для обучения, и у нас..
Использование ИИ для обнаружения нарушений социального дистанцирования
Делайте крутые вещи с данными!
Вступление
Многие города в США и Европе сейчас осторожно открываются. Людей проинструктировали следовать правилам социального дистанцирования, когда они выходят на улицу. Но следят ли за ними люди? Для городов может быть важно оценить это и принять соответствующие меры. Если большинство людей последуют им, то можно будет безопасно открыть больше мест. Однако, если нарушений много, может быть безопаснее закрыть. Именно это и произошло в..
Полное руководство по обнаружению видеообъектов
Все до 20/20 года (компьютерное зрение)
За последнее десятилетие значительная работа была проделана в области машинного обучения, особенно в области компьютерного зрения. От продвинутых алгоритмов классификации, таких как Inception by Google, до новаторской работы Иэна Гудфеллоу по генеративным состязательным сетям для генерации данных из шумов, многие преданные исследователи со всего мира занимались множеством областей. Интересно, что в первой половине десятилетия самые новаторские..
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..