Публикации по теме 'getting-started'
Ансамблевое обучение с помощью Scikit-Learn: дружелюбное введение
Алгоритмы ансамблевого обучения, такие как XGBoost или Random Forests, входят в число самых эффективных моделей в соревнованиях Kaggle. Как они работают?
Фундаментальные алгоритмы обучения, такие как логистическая регрессия или линейная регрессия, часто слишком просты для достижения адекватных результатов при решении задач машинного обучения. Хотя возможным решением является использование нейронных сетей, они требуют огромного количества обучающих данных, которые редко доступны...
Освоение перекрестной проверки: полное руководство для начинающих машинного обучения
Все, что вам нужно знать о методах перекрестной проверки
На практике специалисты по данным работают с тремя различными наборами примеров:
Обучающий набор набор проверки тестовый набор
Получив данные в виде набора примеров, первое, что вы делаете в своем проекте машинного обучения, — это перемешиваете примеры и делите набор данных на три отдельных набора: обучение, проверка и тестирование. Учебный набор обычно самый большой; алгоритм обучения использует обучающий набор для создания..
Простое объяснение стационарности временных рядов
Простое и интуитивно понятное объяснение необходимости стационарности в моделировании временных рядов.
Введение
Пытаясь предсказать погоду, фондовый рынок или продажи продуктов, мы должны учитывать некоторую временную составляющую. Например, предсказывая, будет ли завтра снег в Великобритании, мы знаем, что вероятность будет намного выше в зимние месяцы, чем в летние месяцы.
Этот тип данных, зависящих от времени, лучше всего представить с помощью временных рядов . Здесь каждая..
Псевдокод, что это такое и зачем его использовать?
Что такое псевдокод?
Псевдокод — это простой способ выразить то, что программа делает или будет делать, в форме плана или черновика. Цель псевдокода — быстро получить представление о программе таким образом, чтобы ее было легко читать без подробностей.
Почему следует использовать псевдокод?
Основная причина использования псевдокода — создать схему того, что будет делать ваша программа. Это поможет вам понять логику кода и увидеть, существуют ли какие-либо дыры, которые нужно..
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..
Создание моделей регрессии для прогнозирования откликов данных
Научитесь создавать и кодировать регрессионную модель с нуля, чтобы прогнозировать/предсказывать результаты.
Регрессионный анализ можно описать как статистический метод, используемый для предсказания/прогноза значений зависимой переменной (отклика) при заданных значениях одной или нескольких независимых переменных (предикторов или признаков). Регрессия считается формой контролируемого машинного обучения; это алгоритм, который строит математическую модель для определения взаимосвязи..
Начало работы с базой данных SQLite в Python
В этой статье я покажу вам процесс использования базы данных SQLite, которая является встроенной базой данных для Python. Мы начнем с создания пустой базы данных, мы создадим пустую таблицу, вставим в нее некоторые данные, а затем, наконец, попытаемся получить наши данные обратно.
Начнем с импорта некоторых необходимых пакетов.
Импорт необходимых пакетов
import sqlite3 as sql
Создать базу данных
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..