Публикации по теме 'editors-pick'
OPTUNA: гибкая, эффективная и масштабируемая среда оптимизации гиперпараметров
Новая альтернатива легкой и крупномасштабной оптимизации гиперпараметров
Одной из определяющих задач при построении моделей машинного обучения является оптимизация гиперпараметров . Правильная оптимизация гиперпараметров напрямую отражается на производительности модели. Вот почему оптимизация гиперпараметров была активной областью исследований в течение нескольких лет. К счастью, сегодня есть несколько альтернатив, которые можно использовать для оптимизации моделей машинного..
Деревья решений для классификации — Полный пример
Подробный пример построения дерева решений для классификации
В этой статье объясняется, как мы можем использовать деревья решений для задач классификации. После объяснения важных терминов мы разработаем дерево решений для простого примера набора данных.
Введение
Дерево решений — это инструмент поддержки принятия решений, который использует древовидную модель решений и их возможных последствий, включая исходы случайных событий, затраты ресурсов и полезность. Это один из способов..
Что нужно, чтобы стать №1 в мире на Kaggle
Что нужно, чтобы стать №1 в мире на Kaggle
В беседе с Гуаньшуо Сюй: специалистом по анализу данных, гроссмейстером соревнований Kaggle (ранг 1) и доктором философии. в области электротехники.
В этой серии интервью я представляю истории признанных Data Scientists и гроссмейстеров Kaggle на H2O.ai , которые делятся своим путешествием, вдохновением и достижениями. Цель этих собеседований - мотивировать и воодушевить других, кто хочет понять, что нужно для того, чтобы стать..
Выравнивание коллектора
Объединение нескольких наборов данных
Выравнивание многообразия — это проблема поиска общего скрытого пространства, в котором мы совместно выполняем уменьшение размерности нескольких наборов данных, сохраняя любое соответствие между этими наборами данных. Прежде чем мы углубимся в детали выравнивания коллектора, давайте сначала разберемся, что такое коллектор.
Что такое манифольд?
N-мерное многообразие является наиболее общим математическим пространством с пределами, непрерывностью..
Графовые нейронные сети: путь обучения с 2008 года — Python & Graph Convolutional Network
Сегодня ясный и практический взгляд на теорию GCN. Мы рассмотрим реализацию PyTorch 🔦 GCN 👩🎓 от Kipf. Затем мы применим то, что узнали, к ненавистному набору данных Twitter 🔥
Мои предыдущие посты о графах и машинном обучении:
Графовые нейронные сети: путь обучения с 2008 года — часть 1 Графовые нейронные сети: путь обучения с 2008 года — Часть 2 Graph Neural Networks: путь обучения с 2008 года — Deep Walk Graph Neural Networks: путь обучения с 2008 года — Python & Deep..
Основы математики для науки о данных: введение в системы линейных уравнений
ОСНОВНАЯ МАТЕМАТИКА ДЛЯ НАУКИ ДАННЫХ
Основы математики для науки о данных: введение в системы линейных уравнений
Понимать и визуализировать изображение строк и столбцов систем линейных уравнений
В этой статье вы сможете использовать то, что вы узнали о векторах (см. Здесь ), матрицах (см. Здесь ) и линейных преобразованиях ( здесь ). Это позволит вам преобразовывать данные в системы линейных уравнений. Вы также можете посмотреть Основы математики для науки о данных , чтобы..
Учимся ранжировать по байесовскому методу
Байесовская статистика
Учимся ранжировать по байесовскому методу
Реализуйте модель Брэдли-Терри в PyMC.
Представьте, что группа игроков соревнуется в какой-то игре один на один . Тогда возникает естественный вопрос:
Как ранжировать игроков?
Теоретически эта задача не должна быть слишком сложной — пусть они сыграют несколько игр и проверят коэффициент выигрыша игроков . К сожалению, у этого естественного подхода есть некоторые проблемы:
вы не можете сказать, означает..
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..