Публикации по теме 'data-visualization'
Использование машинного обучения для прогнозирования ухода сотрудника.
Пример использования IBM HR Attrition
Предсказать, собирается ли конкретный сотрудник покинуть организацию?
Истощение персонала всегда было серьезной проблемой в любой организации. Время, деньги и усилия, вложенные в обучение новых сотрудников, трудовая зависимость и другие факторы, приводят к огромным общим потерям для фирмы, когда сотрудник увольняется. Кроме того, увольнение вызывает недоверие среди существующих сотрудников, что само по себе может стать серьезной проблемой для..
Последние обновления медицинских визуальных ответов на вопросы, часть 2 (машинное обучение)
PMC-VQA: настройка визуальных инструкций для визуальных ответов на медицинские вопросы (arXiv)
Автор: Сяомань Чжан , Чаойи Ву , Цзыхэн Чжао , Вэйсюн Линь , Я Чжан , Яньфэн Ван , Вэйди Се .
Резюме: В этой статье мы сосредоточимся на проблеме медицинских визуальных ответов на вопросы (MedVQA), которая имеет решающее значение для эффективной интерпретации медицинских изображений с жизненно важной клинической информацией. Во-первых, мы переформулируем проблему MedVQA как задачу..
«Искусство рассказывать истории», а именно визуализация данных
Рядом с моим домом жил школьник, и каждое утро я видел, как его мать учила «А для яблока, Б для мяча и т. д.». Однажды вечером я увидел его таким скучным, я подошел к нему и задал его проблему, на что он ответил, что не может ничего запомнить, хотя занимается больше часов, чем его одноклассники. На его день рождения я подарил ему несколько карточек, как на изображении ниже, и сказал им смотреть на эти карточки, пока он читает. Через несколько дней он подошел ко мне, радостно рассказывая о..
Как работает механизм внимания в машинном обучении, часть 5
FECAM: механизм внимания канала с улучшенной частотой для прогнозирования временных рядов (arXiv)
Автор: Маовэй Цзян , Пэнъюй Цзэн , Кай Ван , Хуань Лю , Вэньбо Чен , Хаоран Лю .
Аннотация: Прогнозирование временных рядов является давней проблемой из-за того, что реальная информация представлена в различных сценариях (например, энергия, погода, трафик, экономика, предупреждение о землетрясениях). Однако результаты прогнозирования некоторых основных моделей прогнозирования резко..
Точность: компромисс между смещением и дисперсией
В статье Какое машинное обучение (ML) выбрать? «[1] , который поможет вам выбрать правильное машинное обучение для ваших данных, мы указали, что с точки зрения бизнеса двумя наиболее важными измерениями являются точность и интерпретируемость .
Мы также заявили, что «Оценка точности модели машинного обучения имеет решающее значение при выборе и развертывании модели машинного обучения».
- Но какие факторы влияют на точность модели?
Точность зависит от подгонки модели. И подгонка..
Варианты оформления вашего приложения Streamlit: повышение визуальной привлекательности с помощью CSS
В этой статье мы рассмотрим, как стилизовать ваше приложение Streamlit с помощью CSS . Мы начнем с оформления фона веселым желтым цветом и постепенно расширим структуру кода, чтобы организовать стиль в папке ресурсов. Мы также покажем, как добавить нотку элегантности, придав элементам страницы успокаивающий синий цвет.
Вы можете посмотреть соответствующий видеоурок на YouTube . Пожалуйста, подпишитесь на Ютуб-канал .
Прежде чем начать, давайте настроим структуру папок и..
Распознавание рукописных цифр с помощью scikit-learn
анализ данных не ограничивается числами и строками, поскольку изображения и звуки также можно анализировать и классифицировать. Распознавание рукописного текста — это проблема, которая восходит к первым автоматическим машинам, которым нужно было распознавать отдельные символы в рукописных документах.
Чтобы решить эту проблему в Python, библиотека scikit-learn предоставляет хороший пример для лучшего понимания этой техники, возникающих проблем и возможности делать прогнозы...
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..