Публикации по теме 'optimization'
Пакетный, мини-пакетный и стохастический градиентный спуск для линейной регрессии
Реализация и сравнение трех основных вариантов градиентного спуска
1. Введение
Алгоритм градиентного спуска - это итерационный метод оптимизации первого порядка для поиска локального минимума функции (в идеале - глобального). Его базовую реализацию и поведение я описал в другой статье. В нем рассматриваются три основных варианта с точки зрения количества данных, которые алгоритм использует для вычисления градиента и выполнения шагов.
Эти 3 варианта:
Пакетный градиентный спуск..
Настройка гиперпараметра ансамбля средневзвешенных значений в Python
Введение
В предыдущем блоге « Простой средневзвешенный ансамбль | Машинное обучение », я рассказал о том, как реализовать средневзвешенный ансамбль из нескольких классификаторов, чтобы получить различную информацию о данных и повысить производительность вашей модели. В этом блоге я сделаю еще один шаг, чтобы продемонстрировать, как выполнить настройку гиперпараметров вашего ансамбля в python.
Модель данных
Для данных вы можете найти их здесь:..
Работа с высокопроизводительным процессором Node.js в производственной среде
Предположим, у вас есть служба Node.js, развернутая в производственной среде, каждая строка кода проверена и покрыта тестами. Но при 10 запросах в секунду процесс Node.js начинает потреблять 100% ЦП, или на графике ЦП появляются случайные всплески, в результате время отклика увеличивается и влияет на всех потребителей. Конечно, вы можете просто увеличить количество запущенных экземпляров, но это не решение проблемы, служба будет вести себя так же.
Основные причины высокой загрузки ЦП..
Оптимизация Python
Обзор
Python использует множество методов для оптимизации вашего кода во время компиляции и выполнения, чтобы он работал быстрее и использовал меньше памяти во время выполнения.
Стажировка
Одним из основных методов, используемых Python, является Интернирование . Интернирование — это процесс повторного использования объектов по требованию. Python кэширует определенные объекты во время выполнения.
Целое стажировка
При запуске Python предварительно загружает (кэширует) глобальный..
Почему вам должен понравиться sync.Pool?
Потому что это быстро. x4982 сокращение использования памяти и хранилища с помощью тестов ниже.
Ok. Что за черт?
Сборщик мусора запускается через определенные промежутки времени. Если ваш код постоянно выделяет память в некоторых структурах данных, а затем освобождает их, это требует постоянной работы сборщика, большего использования памяти и ЦП для выделения ресурсов в структурах инициализации.
The comments on sync/pool.go say that:
A Pool is a set of temporary objects that..
Градиентный спуск с нуля: обзор вариантов GD
Градиентный спуск (GD) – самый известный метод оптимизации, используемый для обучения моделей машинного обучения (ML). Любой практикующий ML наверняка сталкивался с GD, когда делал свои первые шаги в ML. В этой статье мы рассмотрим три варианта GD и сравним их результаты с точки зрения точности, стоимости вычислений и изменчивости функции потерь. Вы готовы ? Поехали, семья!
Данные
Мы используем этот набор данных , который содержит информацию о рекламе и продажах. Обзор набора..
Уменьшение размерности с использованием нулевого пространства
Введение
Мы знаем, что для системы линейных уравнений, в которой количество уравнений меньше числа переменных, должно быть бесконечное число решений. И что количество свободных переменных должно быть равно количеству переменных минус количество уравнений.
Но как мы можем использовать этот факт? Например, для задачи оптимизации с ограничениями линейного равенства можно было бы надеяться использовать ограничения для уменьшения количества переменных. А затем иметь возможность..
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..