Публикации по теме 'data'
Потрясающий ресурс набора данных, который должен знать каждый специалист по данным и стремящийся к 2022 году
1)kaggle-https://www.kaggle.com/datasets , 𝚙𝚒𝚙 𝚒𝚗𝚜𝚝𝚊𝚕𝚕 𝚔𝚊𝚐𝚐𝚕𝚎𝚍𝚊𝚝𝚊𝚜𝚎𝚝𝚜
Downloading Kaggle datasets directly into Google Colab -https://towardsdatascience.com/downloading-kaggle-datasets-directly-into-google-colab-c8f0f407d73a
How to Download Kaggle Datasets using Jupyter Notebook https://www.analyticsvidhya.com/blog/2021/04/how-to-download-kaggle-datasets-using-jupyter-notebook/
2)https://sebastianraschka.com/blog/2021/ml-dl-datasets.html..
Исследовательские работы о разработках в обучении с подкреплением, часть 2
Глубокое обучение с подкреплением с использованием низкоразмерного фильтра наблюдения для визуальной сложной видеоигры ( arXiv )
Автор: Виктор Аугусто Кич , Хуниор Коста де Хесус , Рикардо Бедин Грандо , Алиссон Энрике Коллинг , Габриэль Винисиус Хейслер , Родриго да Силва Герра
Аннотация : Глубокое обучение с подкреплением (DRL) принесло большие достижения с тех пор, как было предложено, включая возможность обработки необработанных входных данных зрения. Однако..
Понимание автоматизированного мышления, часть 1 (ИИ)
Автоматические рассуждения в Temporal DL-Lite( arXiv )
Автор: Сабиха Тахрат , Герман Браун , Алессандро Артале , Марко Гарио , Ана Одзаки
Аннотация . В этом документе исследуется возможность автоматизированного анализа временных баз знаний (KB) DL-Lite (TDL-Lite). Мы тестируем использование готовых рассуждений LTL для проверки выполнимости баз знаний TDL-Lite. В частности, мы проверяем надежность и масштабируемость алгоритмов рассуждений при работе с TDL-Lite TBox в паре..
Работа с концепцией полупространств в машинном обучении, часть 4.
Почти оптимальная криптографическая стойкость агностически обучающихся полупространств и регрессия ReLU при гауссовских маргиналах (arXiv)
Автор: Илиас Диаконилас , Дэниел М. Кейн , Лишэн Жэнь
Аннотация: Мы изучаем задачу независимого изучения полупространств при гауссовском распределении. В частности, при наличии помеченных примеров (x,y) из неизвестного распределения на Rn×{±1}, маргинальное распределение которого по x является стандартным гауссовым, а метки y могут быть..
Пример использования классификационного анализа: набор данных Iris
Эта статья является частью серии «Наука о данных с помощью Python». Другие истории из этой серии вы можете найти ниже:
Последние разработки в области рекомендательных систем, часть 2 (искусственный интеллект)
1. Равный опыт в рекомендательных системах ( arXiv)
Автор: Джэун Чо , Мунсок Чой , Чанхо Со .
Аннотация: мы исследуем проблему справедливости, которая возникает в рекомендательных системах. Необъективные данные из-за присущих определенным группам стереотипов (например, средний балл юношей по математике часто выше, чем по гуманитарным наукам, и наоборот у девушек) могут давать ограниченный набор предлагаемых заданий для определенной группы пользователей. Наш основной вклад..
Может ли ИИ проверять качество данных?
Возможность ИИ проверять качество данных: изучение преимуществ и ограничений Поскольку данные становятся все более важными в деловом мире, обеспечение их качества стало главным приоритетом для многих организаций.
Однако ручная проверка качества данных может занять много времени и привести к ошибкам. Здесь на помощь приходит искусственный интеллект (ИИ). ИИ может автоматизировать процесс проверки данных и повысить его точность.
Используя алгоритмы машинного обучения, ИИ может..
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..