Публикации по теме 'machine-learning'
Сокращение цикла разработки машинного обучения с помощью AutoML
Команда Intelligent Data Team
Если вы использовали алгоритмы машинного обучения , то наверняка сталкивались с трудностями настройки параметров. Сталкиваясь со сложными параметрами алгоритма, пользователи алгоритма всегда заканчивают тем, что тратят бесчисленное количество ночей на постоянные попытки. Они могут, наконец, найти удовлетворительную комбинацию параметров, поработав всю ночь. Однако действительно ли найденная комбинация параметров является лучшей? Никто не знает.
При..
5 минут машинного обучения: сделайте свою модель более точной [День 4]
В моем последнем посте обсуждалась концепция потерь при построении модели машинного обучения. Подводя итог предыдущему посту (чтобы мы могли перейти к исправлению ошибок, черт возьми), подумайте о модели как о линии на графике множества точек данных. Расстояние между точками данных и линией = убыток, что плохо. Цель этой линии — поразить как можно больше точек данных. Итак, как мы можем позволить нашим моделям точно предсказывать и минимизировать потери?
Что ж… это не так просто или..
Прогнозирование неожиданностей с помощью машинного обучения
Как предсказать, какие компании превзойдут или не оценят результаты своих аналитиков
Котирующиеся на бирже компании составляют квартальные отчеты о прибылях и убытках, которые могут вызвать значительные колебания цен, если результаты отклоняются от оценок аналитиков. Это связано с тем, что, согласно гипотезе эффективного рынка, цены на активы полностью отражают всю доступную информацию и, как результат, будут влиять на согласованные оценки. В этой статье мы увидим, как мы можем..
Создание высокопроизводительных команд по обработке и анализу данных
Область науки о данных больше не является новым ребенком в блоке, которым она когда-то была. «Наука о данных» в ее современном использовании существует с начала 2000-х годов.
Во многих компаниях любого размера теперь есть специалисты по обработке данных, которые пытаются извлечь пользу из своих данных и помочь компаниям принимать более обоснованные решения.
Что изменилось, так это то, что наука о данных повзрослела как дисциплина. Многие компании перешли от режима проверки концепции к..
Точность модели
Точность модели обычно оценивается путем измерения качества подгонки (обычно среднеквадратичной ошибки).
Мы можем улучшить соответствие модели, увеличив степени свободы (более высокие DF — волнистые кривые, более низкие DF — более гладкие; линейная регрессия имеет 2 DF).
Однако есть и компромисс: переподгонка к обучающим данным может привести к более высокому значению MSE для тестовых данных, поскольку обучающие данные могут не отражать f .
Теория, лежащая в основе этого,..
Разговорный чат-бот AI с предварительно обученными трансформаторами с использованием Pytorch
Узнайте, как создать функционального диалогового чат-бота с DialoGPT, используя Huggingface Transformers
вступление
Разговорные системы или диалоговые системы вызвали огромный интерес в современном сообществе Обработка естественного языка (НЛП) . Просто интересно наблюдать, насколько точно боты могут имитировать наши мысли, логику и эмоции, как показано на их языке. Сегодня мы знаем, что в наших смартфонах прямо у нас на ладони есть цифровые помощники, такие как Apple Siri ,..
Может ли ваша любимая книга быть написана машиной?
В недалеком будущем существует мир, в котором книги, которые мы читаем, электронные письма, которые мы получаем, и даже песни, под которые мы поем, будут продуктом генерации естественного языка (NLG), способности технологий создавать человекоподобные тексты. контента с использованием искусственного интеллекта.
Примирение с такой реальностью является ключом к более плавной ассимиляции в современном мире. Фактически, несколько отраслей уже приближаются к этому будущему, интегрируя эту..
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..