Публикации по теме 'data'
Python Pandas — Подсчитайте количество значений NaN в каждом столбце.
Скрипт Python, который будет подсчитывать количество значений Nan в каждом столбце.
Узнайте больше, нажав здесь .
Прогнозирование неравенства в США | Исследование машинного обучения
Авторы Анализ Кабрера и Синдху Шринатх
«Нет двух одинаковых листьев, и все же нет антагонизма между ними или между ветвями, на которых они растут» - Ганди
Соединенные Штаты, одна из самых могущественных стран в мире, на протяжении десятилетий насчитывает разнообразную группу людей, принадлежащих к разным расам, национальностям, полу и классам. Легенда Америки для нас была страной, где сбываются мечты, где упорный труд позволит вам подняться с безграничными возможностями.
Мы - два..
Сегмент: Платформа данных о клиентах, о которой вы даже не подозревали
Представить себя
Всем привет! Меня зовут Борис, я младший фронтенд-разработчик в Meero и увлекаюсь JavaScript и React. Мне нравится создавать красивые и интуитивно понятные пользовательские интерфейсы ✨, и я всегда стремлюсь улучшить свои навыки в UI/UX-дизайне. Когда я не программирую, вы обычно можете увидеть, как я пробую новые рецепты на кухне или перед японскими ресторанами, где я ем мое любимое блюдо — курицу Карааге!
Улучшение нашей веб-платформы с помощью сегментации:..
Подходы к глубокому обучению для изображений и текстовых данных
Глубокое обучение — это тип машинного обучения, который включает в себя обучение искусственных нейронных сетей на большом наборе данных. Эти нейронные сети способны учиться и принимать разумные решения самостоятельно, без явного программирования. Подходы к глубокому обучению оказались особенно успешными для обработки и анализа изображений и текстовых данных.
Для данных изображений можно использовать подходы глубокого обучения для выполнения таких задач, как распознавание объектов,..
Исследовательские работы для чтения на основе роботизированных манипуляций, часть 2 (искусственный интеллект)
GA-DRL: оптимизатор функций на основе генетического алгоритма в глубоком обучении с подкреплением для задач роботизированного манипулирования ( arXiv )
Автор: Адарш Сегал , Николас Уорд , Хунг Мань Ла , Христос Папахристос , Сушил Луи .
Вывод: обучение с подкреплением (RL) позволяет агентам принимать решения на основе функции вознаграждения. Однако в процессе обучения выбор значений параметров алгоритма обучения может существенно повлиять на общий процесс обучения. В..
Выявление предвзятости в машинном обучении: подробное руководство по измерению справедливости с помощью Python
Как использовать равные возможности, равные шансы и несоизмеримое влияние для анализа и смягчения предвзятости в ваших моделях машинного обучения
Введение:
Поскольку машинное обучение продолжает революционизировать отрасли и нашу повседневную жизнь, очень важно, чтобы мы создавали эти системы с учетом принципа справедливости и равноправия. К сожалению, без тщательного рассмотрения алгоритмы машинного обучения могут увековечить и даже усилить существующие социальные предубеждения, что..
Проблемы машинного обучения (часть I)
После обсуждения различных подходов, используемых алгоритмами машинного обучения для обучения , в статье ниже
Пакетное обучение против онлайн-обучения Что такое машинное обучение? medium.com
Мы собираемся определить основные проблемы машинного обучения.
Во-первых, что означает слово ` вызов ` для любой области?
Согласно Кембриджскому словарю :
Таким образом, проблемы машинного обучения относятся к препятствиям и..
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..