Публикации по теме 'data'
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..
Как работает алгоритм байесовского дерева аддитивной регрессии (BART), часть 3
О теории BART (arXiv)
Автор : Вероника Рокова , Энакши Саха
Вывод: обучение в ансамбле — это статистическая парадигма, основанная на предположении, что многие слабые учащиеся могут работать исключительно хорошо при коллективном развертывании. Метод BART Чипмана и соавт. (2010) является ярким примером байесовского ансамблевого обучения, где каждый ученик представляет собой дерево. Благодаря своим впечатляющим характеристикам BART привлек большое внимание практиков. Однако,..
Ускорьте получение бизнес-результатов с помощью Enterprise Intelligence Hub на базе xDM
Этот пост первоначально появился в Блоге Mastech InfoTrellis .
Автор: Тера Чанг | Вице-президент по техническим продажам в Mastech InfoTrellis
Если мы хотим побеждать, нам нужно быстро учиться на скорости. Это относится и к бизнесу. У предприятий-победителей есть экосистема данных, которая раскрывает все данные, делает их надежными, применяет машинное обучение и, в конечном итоге, позволяет им самообучаться и развиваться — генезис предприятия, управляемого данными. Предприятие,..
Машина опорных векторов (SVM):
Машина опорных векторов или SVM — это один из самых популярных алгоритмов обучения с учителем, который используется как для задач классификации, так и для задач регрессии. Однако в первую очередь он используется для задач классификации в машинном обучении.
Цель алгоритма SVM — найти наилучшую линию/гиперплоскость/границу решения в n-мерном пространстве, которое четко классифицирует точки данных.
Чтобы разделить два класса точек данных, можно выбрать множество возможных гиперплоскостей...
Как далеко мы продвинулись с системами NeuroFuzzy, часть 1
Преобразование моделей глубокого RL в интерпретируемые нейро-нечеткие системы (arXiv)
Автор: Арне Геварт , Джонатан Пек , Иван Сайс
Аннотация . Глубокое обучение с подкреплением использует глубокую нейронную сеть для кодирования политики, которая обеспечивает очень хорошую производительность в широком диапазоне приложений, но широко считается моделью черного ящика. Более интерпретируемая альтернатива глубоким сетям представлена нейро-нечеткими контроллерами. К сожалению,..
Как интегрировать функцию импорта данных в ваше приложение
Если вы разработчик программного обеспечения , подумайте, как вы могли бы добавить функции импорта, преобразования и проверки данных в свое веб-приложение всего за несколько минут с помощью JavaScript и React , используя встроенный SDK и библиотеки . Вы можете подумать об использовании SDK, такого как внешняя библиотека Embed React в Flatfile . Если вам нужно определить более сложные правила проверки данных в бэкэнде, вы можете напрямую запросить Flatfile API для управления..
Обзор алгоритмов обучения с полуучителем — Часть 2
Продолжая обзор литературы по алгоритмам полууправляемого обучения, мы подошли к недооцененному многопрофильному обучению.
С. 2. Многопрофильное обучение
Обучение с несколькими представлениями относится к классу методов обучения, в которых используется соглашение между разными учащимися. Здесь предположения о совместном обучении не требуются для моделей обучения с несколькими представлениями. Вместо этого несколько методов обучения (например, деревья решений, SVM и т. д.) обучаются..
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..