WedX - журнал о программировании и компьютерных науках

Публикации по теме 'kaggle'


Как мы, двое новичков, попали в 4% лучших в соревновании Kaggle
Как мы вошли в 4% лучших в соревновании Kaggle и как ты тоже можешь Если вы следите за новостями Kaggle, возможно, вы знакомы с недавно закрытой Лабораторией инновационных наук в Гарварде Механизм действия конкурса . С гордостью могу сказать, что мне и моему партнеру Энди Вангу удалось попасть в 4% лучших - 152-е место из 4373 команд. Что интересно, мы относительно новички в соревнованиях Kaggle. Что касается машинного обучения, то мы не совсем профессионалы - мы оба учащиеся,..

Как преобразовать временную метку Python Unix в дату и время
В этом руководстве вы узнаете, как преобразовать временные метки Unix в дату и время для года, месяца, дня и часа! Я провожу много времени на Kaggle и часто обнаруживаю, что добавление небольших скриптов в мой набор инструментов помогает. В этом кратком посте я покажу вам, как преобразовать метку времени Unix из конкурса OTTO Kaggle. Во-первых, вот ссылка на полный блокнот . Если вы являетесь участником Kaggle, вы можете клонировать его с помощью моей записной книжки или просто..

Kaggle Days Сан-Франциско 2019: обзор
Если вы планируете посетить мероприятие Kaggle Days, я НАСТОЯТЕЛЬНО рекомендую его. Независимо от того, начинаете ли вы заниматься наукой о данных/машинном обучении и Kaggle или являетесь опытным профессионалом, я уверен, что вы найдете бесценный опыт в продвижении своей карьеры и обучении. Если вам нужно немного больше убедительности, не смотрите дальше! В этом посте я постараюсь рассказать о своем опыте и некоторых своих выводах. План 1. Обзор и подробности 2. Пошаговое описание 1-го..

Превосходство современного искусства за счет настройки базовых линий
Как узнать, является ли новая модель машинного обучения улучшением по сравнению с предыдущими моделями? Один из способов - сравнить его с базовой моделью, разработанной для той же задачи. Но возникает вопрос: как узнать, хороша ли сама базовая линия? В новом препринте О сложности оценки исходных условий: исследование рекомендательных систем Рендла, Чжана и Корена говорится, что измерить, насколько хорошо базовая модель работает для конкретной проблемы, не так просто, как может показаться..

Автоматизация интерпретации подповерхностных солей — Улучшение рабочего процесса машинного обучения для семантической сегментации
Брэнда Хуанг, Брандт Грин, Джесси Ли, Меха Мехта, Шэнсян Ву Ссылка на код реализации на Github: https://github.com/brandahuang/Subsurface-Salt-Interpretation-Automation Абстрактный Точная идентификация подземных солевых отложений по сейсмическим изображениям является важным, но трудоемким шагом в разведке и разработке нефтегазовых ресурсов в энергетической отрасли. Этот процесс предпринимается для обнаружения новых ресурсов и предотвращения опасностей в определенных бассейнах по..

Разработка функций для конкурса Kaggle
0. Введение Согласно Википедии: Инженерия признаков – это процесс использования знаний предметной области о данных для создания признаков, обеспечивающих работу алгоритмов машинного обучения. Разработка признаков имеет фундаментальное значение для применения машинного обучения и является сложной и дорогостоящей задачей. Разработка функций — важный шаг для большинства соревнований Kaggle. В этой статье будут обсуждаться часто используемые методы проектирования признаков для четырех..

Построение модели машинного обучения шаг за шагом с помощью набора данных Titanic
Крушение Титаника - одно из самых печальных событий новейшей истории. В этой статье мы создаем модель машинного обучения, используя данные о выживании после этой катастрофы. RMS Titanic затонул 15 апреля 1912 года в северной части Атлантического океана, столкнувшись с айсбергом. На борту находились 2224 пассажира, в результате этой катастрофы погибло более 1500 человек. В этой статье я проанализирую факторы, которые важны для коэффициента выживаемости, с помощью визуализации 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..


Для любых предложений по сайту: wedx@cp9.ru