Публикации по теме 'scikit-learn'
Ускорение обучения модели: многопроцессорность
Я потратил около 50 часов на обучение моделей XGBoost на своем ноутбуке, так что вам это не нужно!
Введение
Недавно я работал над проектом по ускорению обучения больших языковых моделей и решил написать об этом эксперименте в серии постов в блоге.
В этом посте я оценил время, необходимое для обучения классификатора XGBoost с оболочкой scikit-learn на 20 группах новостей наборе текстовых данных . Для этого я обучил модель 50 раз на одном, 4 и 8 ядрах ЦП, используя методы..
Шпаргалка Scikit-learn: методы классификации и регрессии
Машинное обучение — это быстрорастущая технология в современном мире. Машинное обучение уже интегрировано в нашу повседневную жизнь с такими инструментами, как распознавание лиц, домашние помощники, сканеры резюме и беспилотные автомобили.
Scikit-learn — это самая популярная библиотека Python для выполнения алгоритмов классификации, регрессии и кластеризации. графики и визуализация) и SciPy (для математики).
В нашей последней статье о Scikit-learn мы представили основы этой..
7 утилит Scikit-learn для создания искусственных (синтетических) данных
Объясняется с помощью графических визуализаций
Искусственные или синтетические данные — это тип данных, которые генерируются искусственно с помощью компьютерных алгоритмов. Противоположностью являются данные реального мира, полученные в результате реальных событий.
В машинном обучении и глубоком обучении мы часто используем синтетические данные для следующих целей.
Чтобы продемонстрировать, как алгоритмы машинного обучения работают за кулисами. Для проверки предположений 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..