Публикации по теме 'model-training'
Понимание и внедрение метода оценки модели классификации (точность, точность, полнота…
Понимание деталей метода оценки модели классификации.
Возможно, вы достаточно долго работаете в отрасли в качестве Data Scientist, потеряли свои заметки или стремитесь им стать. Эта статья будет напоминанием для некоторых или для того, чтобы узнать, что на самом деле представляет собой метод оценки модели. После обучения моделей классификации машинного обучения следующей наиболее важной частью является оценка вашей модели, чтобы увидеть, как она работает, что можно оценить с помощью..
Обучение с подкреплением: CPU или GPU?
Когда следует использовать процессор, а когда — графический процессор для подкрепления и других алгоритмов обучения? В следующем посте будут обсуждаться преимущества и недостатки различных подходов. Во-первых, дается общий обзор CPU GPU и TPU. . Во-вторых, будут обсуждаться архитектуры и реализации Q-Learning и DQN с OpenAI Taxi Environment. Наконец, можно найти сравнение и заключение.
Будут обсуждаться следующие моменты:
Различия между GPU и CPU. Когда и как его использовать?..
Могут ли модели машинного обучения деградировать?!
Случалось ли вам когда-нибудь хорошо учиться чему-то, например, собирать пазлы или кататься на лыжах, но со временем забывали, как это делать?
То же самое, к сожалению, может случиться с вашей моделью ML…
вступление
В качестве предисловия к этой истории позвольте мне рассказать вам, как я пришел к этой теме.
Не зацикливайтесь на настройке гиперпараметров
Поздравляем, вы начинаете создавать настоящие модели с машинным обучением! Вы загрузили свой CSV-файл и выбрали модель для работы, теперь все, что вам нужно сделать, это найти правильную комбинацию параметров модели, чтобы ваша модель сияла… верно? Неправильный!
Мусор на входе, мусор на выходе.
Хотя настройка модели, безусловно, необходима (поскольку бесплатных обедов не бывает ), мы должны спросить себя, сидя и наблюдая, как наш поиск по сетке стучит по 100 000 различных..
Что общего у дата-сайентистов и твикеров!
Не волнуйтесь, это не то, что вы думаете
Что происходит, когда у вас вырисовывается крайний срок, но нужно сделать много дерьма? Вещи забываются, делаются ошибки.
В науке о данных это может быть особенно раздражающим, поскольку часто есть много вещей, которые мы можем сделать, чтобы улучшить решения, которые мы создаем. На самом деле, иногда количество вещей, которые мы можем настроить в погоне за все более точными моделями, исчисляется миллионами… ладно, может быть, не..
Тестовые примеры моделей: практический подход к оценке моделей машинного обучения
Поскольку модели машинного обучения становятся все более сложными и распространенными, крайне важно иметь практический и методический подход к оценке их эффективности. Но как лучше всего оценивать свои модели?
Традиционно использовались средние показатели точности, такие как средняя средняя точность (mAP), которые вычисляются по всему набору данных. Хотя эти оценки полезны на этапе проверки концепции, они часто оказываются недостаточными, когда модели развертываются в рабочей среде на..
Новые материалы
Я хотел выучить язык программирования MVC4, но не мог выучить его раньше, потому что это выглядит сложно…
Просто начните и учитесь самостоятельно
Я хотел выучить язык программирования MVC4, но не мог выучить его раньше, потому что он кажется мне сложным, и я бросил его. Это в основном инструмент..
Лицензии с открытым исходным кодом: руководство для разработчиков и создателей
В динамичном мире разработки программного обеспечения открытый исходный код стал мощной парадигмой, способствующей сотрудничеству, инновациям и прогрессу, движимому сообществом. В основе..
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..