Публикации по теме 'machine-learning'
Как использовать деревья решений в машинном обучении для прогнозного моделирования
Деревья решений — это популярный алгоритм машинного обучения, используемый для прогнозного моделирования. Они просты для понимания и могут использоваться как для задач классификации, так и для регрессии. В этом сообщении блога мы обсудим, как работают деревья решений и как вы можете использовать их в своих собственных проектах машинного обучения!
Деревья решений – это тип алгоритма машинного обучения, который используется для прогнозирования результатов. Их называют «деревьями..
Овладение искусством решения задач машинного обучения: полное пошаговое руководство (часть 1)
Овладение искусством решения задач машинного обучения: полное пошаговое руководство (часть 1)
Машинное обучение стало преобразующей силой в различных отраслях, позволяя нам принимать решения на основе данных и решать сложные проблемы с беспрецедентной точностью. Однако путь к успеху в машинном обучении не является прямым.
Представьте себе решение задачи машинного обучения как сборку сложной головоломки. Поначалу кусочки могут казаться разрозненными и громоздкими, но при правильном..
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 различных задач предварительного обучения.
Для точной настройки модель BERT сначала инициализируется с предварительно обученными параметрами, и все параметры настраиваются с использованием помеченных данных из последующих задач.
Отличительной чертой BERT является его унифицированная архитектура для..
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 тренировку, последующий анализ становится решающим. Не всегда просто знать, какие показатели использовать. В этой статье я рассмотрю точность, точность, отзывчивость, оценку f1 и матрицу неточностей для измерения эффективности вашего классификатора.
Верно против ложного и положительного против..
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 с агрегатором. В этих цепочках распределение процесса на следующий период зависит как от текущего состояния процесса, так и от действительнозначной функции текущего распределения процесса. Мы приводим условия единственности инвариантного распределения для этих цепочек, которые не опираются на..
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 сгруппировать или классифицировать выступления этих игроков MLB во время их новичков.
Об обучении без учителя:
В машинном обучении есть две категории: обучение с учителем и обучение без учителя. Обучение с учителем обычно используется, когда специалист по данным хочет делать прогнозы на основе набора..
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 возможностях Seaborn, библиотеки Python, которая изменит способ визуализации данных. Я Гейб А., ветеран Python и анализа данных с более чем десятилетним опытом, и я очень рад поделиться с вами чудесами Seaborn.
Возможно, вы уже знакомы с Matplotlib — популярной библиотекой для визуализации..
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..