Публикации по теме 'scikit-learn'
Разве ты не будешь моим соседом?
K-Nearest Neighbor, шаг за шагом с scikit-learn
Заявление об ограничении ответственности : эта статья предназначена для самообучения, чтобы понять, как работают функции и алгоритмы машинного обучения. Проконсультируйтесь с различными ссылками, связанными в этом сообщении, для получения дополнительной информации. Код, используемый для модели, описанной ниже, можно просмотреть как файл Jupyter Notebook и получить доступ к нему из моего репозитория GitHub .
Вступление
K-Nearest..
Как развернуть модель машинного обучения на AWS Lambda
В этом руководстве я расскажу вам о развертывании модели машинного обучения на AWS Lambda. Наша модель также будет доступна через API с помощью Amazon API Gateway. В конце концов, мы получим идеальный рецепт действительно безсерверной системы. Давайте сразу перейдем к делу.
Загрузите свою модель в Amazon S3
Первый шаг - загрузить вашу модель в Amazon S3. Если вы не знакомы с Amazon S3, перейдите по этой ссылке, чтобы начать работу:..
Упрощение предложений с использованием контролируемого машинного обучения
Введение. Работая в группе из трех человек, мы попытались определить, нужно ли упростить предложения, чтобы их было легче понять. Цель этого проекта — предоставить бинарную классификацию предложений: да, ее нужно упростить (1) или нет, ее не нужно упрощать (0). Для того чтобы информация была доступна для всех, может потребоваться упростить предложения. Существует широкая аудитория читателей, которым может быть трудно: дети, те, для кого английский является вторым языком, и взрослые с..
OPTUNA: гибкая, эффективная и масштабируемая среда оптимизации гиперпараметров
Новая альтернатива легкой и крупномасштабной оптимизации гиперпараметров
Одной из определяющих задач при построении моделей машинного обучения является оптимизация гиперпараметров . Правильная оптимизация гиперпараметров напрямую отражается на производительности модели. Вот почему оптимизация гиперпараметров была активной областью исследований в течение нескольких лет. К счастью, сегодня есть несколько альтернатив, которые можно использовать для оптимизации моделей машинного..
Как RedBus использует модели машинного обучения Scikit-Learn для классификации жалоб клиентов?
Предыстория : redBus получает жалобы от клиентов, в основном, на возврат средств, отмену, запросы оператора и т. д. Процесс классификации этих писем и перенаправления их соответствующим агентам / очереди обслуживания клиентов становится огромной задачей. Это также увеличивается в пиковые дни (особенно в праздничные и выходные дни).
Чтобы обойти (классифицировать и пометить) этот процесс, компания RedBus пошла по пути машинного обучения. У нас были данные, помеченные вручную, которые..
Обзор основных принципов анализа главных компонентов (PCA)
Введение
Анализ основных компонентов (PCA) — это широко используемый статистический метод в машинном обучении и статистике, целью которого является уменьшение размерности многомерных наборов данных. Это мощный инструмент для анализа и визуализации данных, поскольку он помогает выявлять закономерности и взаимосвязи в данных. Цель PCA состоит в том, чтобы уменьшить количество признаков в наборе данных, сохраняя при этом как можно больше информации, находя новый набор некоррелированных..
Насколько хороша ваша модель? Силуэт Score может сказать. Вот о чем речь.
Итак, вы наконец-то разобрались с машинным обучением. Вы знаете, как создавать свои модели и определять разницу между контролируемым и неконтролируемым обучением, и если вы читаете эту статью, вы, вероятно, наткнулись на что-то под названием «Оценка силуэта» или «Коэффициент силуэта» при изучении алгоритмов кластеризации.
Что ж, в настоящее время реализовать алгоритмы машинного обучения не так уж сложно, как и их оценка. Начните с импорта метрик модуля scikit-learn . Самое лучшее в..
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..