Публикации по теме 'editors-pick'
Ежедневный дайджест BP № 21 — «полезные фрагменты кода и сила философии»
Вот что мы сегодня читаем
Добро пожаловать в 21-й выпуск Coffee Bytes, ежедневный дайджест Better Programming.
В этом выпуске у нас есть несколько руководств размером в байт для любителей Python, JavaScript и Gopher, а также философская часть, дающая пищу для размышлений.
Без дальнейших церемоний, давайте начнем.
3 причины, по которым философия может сделать вас лучшим программистом
Автор Матильда Алиффи
Философия и программирование — две разные дисциплины. Тем не менее,..
Вам нужно освоить этот навык как специалисту по данным или специалисту по машинному обучению
"Начиная"
Вам нужно освоить этот навык как специалисту по данным или специалисту по машинному обучению
Награды, полученные от последовательного изучения и применения этого навыка, могут продвинуть вашу карьеру к новым высотам.
Наука о данных как дисциплина и профессия требует, чтобы ее практикующие специалисты обладали различными навыками, начиная от мягких навыков, таких как общение, лидерство, и заканчивая сложными навыками, такими как дедуктивное мышление, алгоритмическое..
Важность расширенной перестановки для объяснения прогнозов
Выведите объяснение на новый уровень, сохранив простоту
Интерпретируемость машинного обучения - это активная область исследований, которая включает в себя все методы, полезные для обеспечения более информативных прогнозов. Прогностические модели известны как инструменты черного ящика, оптимизированные только для достижения максимальной производительности. Точность важна, но в большинстве бизнес-случаев выяснение того, почему модель машинного обучения принимает одно решение,..
Один день из жизни Data Scientist
Спойлер: я не создаю никаких причудливых моделей машинного обучения.
В последнее время я встречал много людей, которые заинтересованы в карьере в науке о данных. Одна из первых вещей, которые они всегда спрашивают меня: «Как выглядит обычный день?». Я видел много статей, в которых дается обзор навыков и инструментов, которые используют специалисты по обработке и анализу данных, но не так много статей, в которых приводятся реальные примеры повседневных задач.
Хотя каждый день разный,..
Дополнение изображений для глубокого обучения
Использование Python для увеличения данных путем переворачивания, регулировки яркости, цветового дрожания и случайного шума.
Сбор данных может занять много времени, дорого и, честно говоря, скучно. Когда наши возможности по сбору данных ограничены, расширение данных может сыграть важную роль. Это может помочь нам создать более надежный набор данных, уменьшить переоснащение и увеличить объем обучающих данных.
Мы обсудим увеличение данных и его преимущества. Мы также будем держать..
MLOps: жизненный цикл машинного обучения
млн операций в секунду
MLOps: жизненный цикл машинного обучения
Жизненный цикл машинного обучения для эпохи MLOps объединяет разработку моделей и программного обеспечения для создания продуктов с поддержкой машинного обучения.
Создание продуктов машинного обучения или функций продукта с помощью ML включает в себя две отдельные дисциплины:
Разработка модели . Специалисты по обработке и анализу данных — высококвалифицированные специалисты в области статистики, линейной алгебры и..
Вопросы качества данных для моделей машинного обучения
Уменьшение влияния мусора в Garbage Out на модели машинного обучения
Обеспечение хорошего качества данных перед запуском алгоритмов машинного обучения является важным шагом в рамках общего рабочего процесса обработки данных и машинного обучения. Использование данных низкого качества может привести к серьезному ухудшению результатов и иметь дополнительные последствия при принятии решений на основе этих результатов.
Когда мы только начинали заниматься наукой о данных и машинным..
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..