Публикации по теме 'predictive-analytics'
Прогнозная аналитика с использованием программирования на R: выбор пакета безопасности автомобиля
Особая благодарность моим товарищам по команде Дони Коху, Дэниелу Симмондсу и Эзре Леру за их ценный вклад в завоевание 1-го места в конкурсе Analytics Edge Competition на Kaggle, крупнейшем в мире сообществе специалистов по данным и дочерней компании Google. Это наш самый первый конкурс Kaggle и скромное начало нашего пути к машинному обучению.
Нажмите на эту ссылку, чтобы просмотреть более подробный отчет: The-Analytics-Edge-2023 Kaggle Report Subscription Team 13.pdf
Что..
Практическое руководство по прогнозированию качества вина с использованием логистической регрессии
Введение
Вы когда-нибудь задумывались, можно ли предсказать качество вина на основе его химических свойств? В этом руководстве мы рассмотрим, как построить модель логистической регрессии для прогнозирования качества вина с использованием набора данных Wine Quality. Логистическая регрессия — это популярный метод для задач бинарной классификации, что делает его идеальным выбором для прогнозирования того, хорошего качества вино или нет. Итак, хватайте бокал любимого вина и вперед!..
Векторные вложения и недвижимость: вариант использования для выбора сопоставимых свойств «яблоки к яблокам»
Первоначально опубликовано в блоге Hello Data: https://hellodata.ai/blog/vector-embeddings-real-estate-a-use-case-for-apples-to-apples-selection-of-comparable- свойства/
Одной из наиболее частых проблем, с которыми сталкиваются инвесторы в недвижимость, является объективное определение наилучшей цены для потенциальных приобретений. На рынке, с которым они знакомы, это может быть просто — они знают цены, потому что знают рынок как свои пять пальцев. Однако, если они хотят выйти на..
Yellowbrick - Анализируйте свою модель машинного обучения с помощью визуализаций
Библиотека Python для визуализации машинного обучения
Yellowbrick - библиотека визуализации машинного обучения Python. По сути, он построен на Scikit-learn и Matplotlib. Yellowbrick предоставляет информативные визуализации для лучшей оценки моделей машинного обучения. Это также помогает в процессе выбора модели.
Этот пост является скорее практическим применением Yellowbrick. Мы быстро построим базовую модель классификации, а затем воспользуемся инструментами Yellowbrick для..
Лучший способ прогнозирования эффективности сотрудников
Оценка использования составных моделей «потолок-пол» для прогнозирования вероятного диапазона будущей производительности труда работников.
Эта статья является третьей в серии из трех частей Расширенное моделирование будущих диапазонов производительности работников с помощью ИНС с пользовательскими функциями потерь . Часть 1 исследовала, почему полезно прогнозировать возможный потолок и минимум будущей производительности сотрудника — и почему это трудно сделать эффективно, используя..
Машинное обучение 101: логистическая регрессия
Изучите логистическую регрессию за 5 минут с помощью Python
Машинное обучение 101
"Линейная регрессия"
2. Логистическая регрессия
и многое другое.
В предыдущем посте мы начали серию машинного обучения с линейной регрессии. Теперь пришло время изучить логистическую регрессию с ее основами.
В этом посте я объясню, как работает логистическая регрессия и как ее построить на Python.
Если вы не знакомы с линейной регрессией, я также объяснил линейную регрессию на..
Машинное обучение — Искусство или наука?
Машинное обучение — искусство или наука?
Всплеск больших данных и проблема предвзятости подтверждения заставляют специалистов по данным искать методологический подход для раскрытия скрытых идей. В прогнозной аналитике они часто обращаются к машинному обучению, чтобы спасти ситуацию. Машинное обучение кажется идеальным кандидатом для обработки больших данных с использованием обучающих наборов. Он также обладает сильным научным чутьем, делая прогнозы на основе данных. Но действительно..
Новые материалы
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..
ИИ в аэрокосмической отрасли
Каждый полет – это шаг вперед к великой мечте. Чтобы это происходило в их собственном темпе, необходима команда астронавтов для погони за космосом и команда технического обслуживания..