Публикации по теме 'machine-learning'
Понимание MLOps
Введение
За последние годы машинное обучение прошло долгий путь и в настоящее время является основным двигателем инноваций и роста во многих отраслях. Однако по мере усложнения моделей и увеличения объемов данных управление процессом машинного обучения может стать проблемой. Вот тут-то и появляется MLOps. MLOps — это практика применения принципов DevOps к рабочим процессам машинного обучения, и она становится все более важной, поскольку организации стремятся развернуть модели машинного..
Примеры теста хи-квадрат с R
"Статистика"
Примеры теста хи-квадрат с R
Анализ ассоциации и распределения переменных
Введение
Когда мы говорим о тестах хи-квадрат, в основном мы изучаем два типа:
Хи-квадрат для независимости Хи-квадрат для согласия
Оба они являются непараметрическими тестами (которые не имеют непрерывной шкалы для измерения и не содержат допущений).
Первый помогает определить любую связь между качественными переменными, а второй сообщает, следует ли выборка тому же..
Пространство аналитики: 2019–2021 гг., в ретроспективе
Три года назад я впервые в своей карьере переключился на сферу аналитики. Если бы мне пришлось признать, тогда это было больше похоже на авантюру, чем на взвешенное решение. Переходя от более общей карьеры в области управления, когда я только начинал, я знал только Excel, Power Point и некоторые концепции управления стратегией и бизнесом. Хотя мне было удобно работать с числами (читай: с электронными таблицами), у меня не было опыта работы во всех областях аналитики. Я до сих пор..
CatBoost против LightGBM против XGBoost
Какой алгоритм лучше?
CatBoost (повышение категории), LightGBM (машина с усилением градиента света) и XGBoost (eXtreme Gradient Boosting) — все алгоритмы повышения градиента. Прежде чем углубляться в их сходство и различия с точки зрения характеристик и производительности, мы должны понять термин ансамблевое обучение и то, как оно связано с повышением градиента.
Оглавление
Обучение ансамблю Catboost против LightGBM против характеристик XGBoost Повышение точности,..
Мозговой имплантат с поддержкой искусственного интеллекта революционизирует выздоровление пациентов: новое открытие движения и ощущений
Благодаря новаторской разработке технология мозговых имплантатов с поддержкой ИИ стала маяком надежды для людей, живущих с параличом. Институт биоэлектронной медицины им. Файнштейна при Northwell Health осуществил выдающийся прорыв, который обещает изменить жизнь таких пациентов, как Кит Томас из Нью-Йорка. Томас, жертва трагического дорожно-транспортного происшествия в 2020 году, получил травмы позвоночника C4 и C5 позвонков, что привело к разрушительной потере чувствительности и..
Обнаружение определителя матрицы
Основы
Обнаружение определителя матрицы
Разблокировка ключевого элемента собственного разложения
В линейной алгебре есть концепции, которые легко понять с первого раза. Вероятно, потому что их приложения и варианты использования относительно очевидны, а концепции несколько осязаемы.
Однако концепция матричного детерминанта сделала для меня полную противоположность — я был скорее сбит с толку, чем просветлен. Мое замешательство в основном было связано с тем, что у меня резко..
Выявление рака меланомы с помощью глубокого обучения - часть 3
В Части 1 и Части 2 мы разработали неглубокую и более глубокую CNN для обнаружения наличия рака меланомы по изображениям поражений. Мы экспериментировали с такими методами, как пакетная нормализация, прерывание, нормализация локального отклика, простое увеличение данных, стандартизация изображений и т. Д. И смогли достичь точности 93,81%. Хотя этот показатель точности не является чем-то выдающимся (из-за несбалансированности данных), но он вдохновил и побудил нас пойти немного глубже :)..
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..