Публикации по теме 'data-visualization'
A36: K-ближайших соседей (KNN) — принцип работы с практическим кодом!
Евклидово, Манхэттенское расстояние и расстояние Минковского, Разрыв связей в KNN, Параметрические и непараметрические модели, Преимущества и недостатки
Эта статья является частью серии книг Наука о данных с нуля — Могу ли я, чтобы я смог . ( Нажмите здесь, чтобы получить копию сегодня !)
Нажмите здесь, чтобы перейти к предыдущей статье/лекции на тему «A35: K-ближайшие соседи (KNN) — за кулисами! »
💐Нажмите здесь, чтобы ПОДПИСАТЬСЯ на меня, чтобы получать новые..
Вы ошибаетесь насчет науки о данных!
Вы ошибаетесь насчет науки о данных!
Наука о данных — это быстро развивающаяся область, которая в последние годы становится все более популярной. Однако с ростом его популярности вокруг науки о данных также появилось много мифов и заблуждений. В этой статье мы рассмотрим некоторые из наиболее распространенных мифов о науке о данных и развеем их.
Миф №1. Найти специалистов по данным сложно Один из самых распространенных мифов о науке о данных заключается в том, что найти..
«Unlocking Insights: 5 лучших книг, которые стоит прочитать специалистам по данным»
Давным-давно в постоянно развивающейся сфере науки о данных группа страстных и любопытных умов стремилась разгадать секреты, скрытые в огромном море информации. Эти бесстрашные души, как начинающие, так и опытные специалисты по данным, отправились на поиски самых бесценных знаний, чтобы отточить свое мастерство. Их путешествие привело их к коллекции из пяти замечательных фолиантов, в каждом из которых содержится ключ к разгадке за пределами воображения.
«Справочник алхимика данных» ...
Прогнозирование и предотвращение оттока банковских клиентов с помощью машинного обучения
Обзор
Удержание клиентов является одной из основных целей любой отрасли, основанной на подписке. клиенты могут свободно выбирать из множества поставщиков даже в пределах одной категории продуктов. Несколько неудачных опытов — или даже один — и клиент может уйти. А если потоки неудовлетворенных клиентов будут стекать с одного места на другое, то и материальные потери, и репутационный ущерб будут огромными.
Что ожидать
В этой статье я собираюсь показать вам, как запачкать руки для..
Yellowbrick - Анализируйте свою модель машинного обучения с помощью визуализаций
Библиотека Python для визуализации машинного обучения
Yellowbrick - библиотека визуализации машинного обучения Python. По сути, он построен на Scikit-learn и Matplotlib. Yellowbrick предоставляет информативные визуализации для лучшей оценки моделей машинного обучения. Это также помогает в процессе выбора модели.
Этот пост является скорее практическим применением Yellowbrick. Мы быстро построим базовую модель классификации, а затем воспользуемся инструментами Yellowbrick для..
Прогнозирование вероятности совершения покупателем повторных покупок с помощью логистической регрессии
Для бизнеса привлечение клиента - это увлекательное занятие не только потому, что оно помогает вам `` обезопасить сумку '', принося столь необходимый доход, но также создает возможность завоевать лояльность у этого новообретенного клиента, что, в свою очередь, может помочь вам получить больше мешков за счет повторных покупок.
Предполагая, что ваш бизнес продолжает стимулировать и оптимизировать действия, которые имеют наибольшее положительное влияние на создание повторных покупок,..
Инструменты интерпретируемости для понимания ваших моделей машинного обучения (часть 1)
Существуют мощные инструменты, помогающие людям понять модели машинного обучения (ML) "черного ящика". Включение их в разработку нашей модели может помочь проложить путь к более надежным, безопасным и беспристрастным системам машинного обучения.
Системы искусственного интеллекта (ИИ) имеют широкое применение в биологии, здравоохранении, автономном вождении, обработке естественного языка, компьютерном зрении и других областях. Передовые системы, такие как GPT-3 (см. этот пост..
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..