Публикации по теме 'data-science'
Пошаговый подход к построению конвейера данных машинного обучения
Построение конвейера данных машинного обучения может быть сложной задачей, но если его разбить на более мелкие этапы, оно станет более управляемым. Вот пошаговый подход к созданию конвейера данных машинного обучения:
1.Определите проблему:
Первым шагом в построении конвейера данных машинного обучения является четкое определение проблемы, которую вы пытаетесь решить.
Это поможет вам определить, какие данные вам нужно собрать, какие алгоритмы следует использовать и какие показатели..
Работа с теоремой Силова, часть 1 (продвинутая математика)
Обобщения теорем Лагранжа и Силова для группоидов (arXiv)
Автор: Густав Бейер , Кристиан Гарсия , Уэсли Г. Лаутеншлегер , Джулиана Педротти , Таиса Тамусюнас .
Аннотация: Мы показываем метод классификации конечных группоидов и обсуждаем мощность смежных классов и ее связь с индексом. Мы доказываем обобщение теоремы Лагранжа и устанавливаем теорию Силова для группоидов.
2.Теоремы Силова для ∞-групп (arXiv)
Автор : Matan Prasma , Tomer M. Schlank
Аннотация: Рассмотрение..
Data Scientist в управленческом консалтинге: как решить техническую домашнюю работу
Как выглядит типичная домашняя работа по науке о данных и техническому консалтингу в MBB (McKinsey, Bain, BCG)? Давайте углубимся и перейдем к решению.
Такие фирмы, как McKinsey, Bain или Boston Consulting Group, являются мечтой для многих кандидатов. Их процесс найма известен тем, что он довольно сложный, долгий и с очень низким коэффициентом успеха. В этой статье я хочу поделиться (и решить) домашним заданием, которое я получил от MBB, состоящим из первого шага трехэтапного..
Работа с нейронными сетями передачи сообщений, часть 4 (машинное обучение)
Нейронная сеть для передачи сообщений с исходной информацией в виде графа (arXiv)
Автор: Лю Сяо , Чжан Лицзюнь , Хуэй Гуань .
Аннотация: Нейронные сети передачи сообщений (MPNN) изучают представление данных с графовой структурой на основе исходной информации графа, включая особенности узлов и структуры графов, и продемонстрировали удивительное улучшение в задачах классификации узлов. Однако выразительная сила MPNN ограничена сверху тестом Вейсфейлера-Лемана первого порядка, и его..
Метрики классификации: матрица путаницы — настоящая путаница, не так ли?
Метрики используются для определения производительности модели машинного обучения. Ежедневно используется от четырех до пяти метрик классификации. давайте разберемся с ними один за другим.
Оценка точности: -
Это базовая метрика классификации, используемая для определения оценки точности любой модели классификации. Это не что иное, как правильный прогноз, сделанный моделью, разделенный на общее количество прогнозов. Оценка точности = верный прогноз / общее количество прогнозов..
Обнаружение аномалий в данных временных рядов
Обнаружение аномалий в данных временных рядов
Обнаружение аномалий во временных рядах может помочь людям, выявляя закономерности, которые не являются нормальными. Это может быть полезно во многих различных ситуациях, например, для определения тенденции в данных, которая может указывать на проблему.
Например, если данные о продажах показывают внезапное падение, это может указывать на то, что что-то не так. Обнаружение аномалий также можно использовать для обнаружения необычного поведения..
Введение в деревья решений для машинного обучения
Хотите стать специалистом по данным? Оформить заказ За пределами машины !
Современные алгоритмы машинного обучения революционизируют нашу повседневную жизнь. Например, большие языковые модели, такие как BERT, лежат в основе поиска Google, а GPT-3 используется во многих продвинутых языковых приложениях .
Сегодня создавать сложные алгоритмы машинного обучения проще, чем когда-либо. Однако, какими бы сложными ни были алгоритмы машинного обучения, они подпадают под одну из следующих..
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..