Публикации по теме 'predictions'
Прогнозирование речного стока в больших неизмеряемых регионах с помощью моделей глубокого обучения
Проблемы и снижение рисков
На больших площадях земного шара нет доступа к ежедневным измерениям расхода воды. Однако прогнозы в этих регионах по-прежнему необходимы для понимания глобального водного цикла и смягчения последствий изменения климата. Модели глубокого обучения, такие как сеть долговременной кратковременной памяти (LSTM), в последнее время стали мощными инструментами гидрологического моделирования. Многие исследования показывают, что модель LSTM может значительно..
Машинное обучение для начинающих
Популярные библиотеки Python, которые мы используем в проектах машинного обучения:
1. Numpy 2. Pandas 3. Matplotlib 4. Scikit Learn
Проект машинного обучения включает в себя нет. из шагов: 1. Импорт данных 2. Очистка данных 3. Определение функций и целей 4. Создание модели 5. Обучение модели 6 .Создавайте прогнозы 7.Оценивайте и улучшайте
Мы используем среду под названием Jupyter для написания нашего кода. мы можем использовать другие платформы, такие как vscode или любые..
Алгоритмы на основе деревьев 1: деревья решений
В этой статье вы получите общее представление о деревьях решений, строительном блоке современных алгоритмов машинного обучения, таких как XGBoost и LightGBM. Сначала мы подробно рассмотрим принцип работы, а затем реализуем его с помощью Scikit-Learn.
Алгоритмы машинного обучения на основе дерева зарекомендовали себя как первые алгоритмы в отрасли. Когда проблема дается для решения, большинство людей сначала обращаются к этим алгоритмам, даже если они могут быть более дорогими в..
Прогноз выживания Титаника с использованием машинного обучения
Испытание
Предсказать, выжил бы пассажир Титаника или нет
Данные
Этапы рабочего процесса
Рабочий процесс конкурентного решения проходит семь этапов, описанных в книге Data Science Solutions.
1. Вопрос или определение проблемы 2. Обработка, подготовка, очистка данных 3. Исследовательский анализ данных 4. Сбор данных для обучения и тестирования 5. Моделирование, прогнозирование и решение проблема
1. Вопрос или определение проблемы
Соревнование простое: используйте данные..
Нахождение зарплаты студентов — Повышение градиента!
Я был поражен, увидев этот алгоритм. В кодах, состоящих всего из нескольких строк, происходят такие красивые фоновые вычисления!
Опять же, поскольку это алгоритм повышения, выходные данные первой модели используются для следующей и так далее. Серия слабых моделей, вместе составляющих сильную модель.
Возьмем очень простой пример:
Теперь нам нужно предсказать зарплату студента, как только мы дадим IQ и CGPA. Мы попробуем решить эту проблему, используя технику ансамбля — Gradient..
Принятие практических решений с помощью прогнозов машинного обучения
Понимание того, как можно использовать предсказания по-разному. В этом чтении будут рассмотрены примеры, которые помогут вам быстрее принимать бизнес-решения.
Прогнозы имеют вероятность. И все мы знаем, наблюдая за погодой, что 30-процентная вероятность дождя означает, что дождь может пойти, а может и не пойти. Итак, как вы можете использовать это в своих интересах? Чтобы продемонстрировать еще один способ использования модели, давайте вернемся к примеру из раздела Сильные и слабые..
Прогнозирование трудоустройства технической школы в Амазонасе, Бразилия.
Следующее исследование было проведено для наблюдения за статусом занятости учащихся техникумов, обучающихся в столице и внутренних районах, посредством анкетирования, проведенного в январе 2022 года. Из-за пандемии экономическая ситуация и, как следствие, занятость в штате и в стране в целом ухудшились, поэтому необходимо провести исследование положения студентов старших курсов технических курсов. Это учебное заведение предлагает технические курсы в области окружающей среды и здоровья,..
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..