Публикации по теме 'statistics'
Как рассчитать корреляцию между переменными в Python3
Между переменными в вашем наборе данных могут быть сложные и неизвестные отношения.
Важно обнаружить и количественно определить, в какой степени переменные в вашем наборе данных зависят друг от друга. Эти знания могут помочь вам лучше подготовить данные для соответствия ожиданиям алгоритмов машинного обучения, таких как линейная регрессия, производительность которых будет снижаться при наличии этих взаимозависимостей.
вы обнаружите, что корреляция — это статистическая сводка..
Узнайте, как построить модель машинного обучения за 8 шагов
Полное руководство по созданию модели машинного обучения с нуля
Машинное обучение, подмножество ИИ, является движущей силой большинства недавних достижений, происходящих сегодня. Будь то прогнозная аналитика, компьютерное зрение, обработка естественного языка, автономные системы, машинное обучение революционизирует всю систему.
Машинное обучение позволяет системам выявлять шаблоны в данных и учиться на них, чтобы предоставлять информацию, которая помогает в более эффективных..
Алгоритмы машинного обучения, часть 1: линейная регрессия
Предсказать цену бриллиантов с помощью линейной регрессии
Линейная регрессия — мощный, но относительно простой инструмент, который можно использовать для понимания взаимосвязи между переменными. В этом руководстве будут изучены основы линейной регрессии в удобной для начинающих форме. К концу этого руководства у вас будет четкое представление о линейной регрессии и о том, как ее реализовать с использованием реальных данных.
Что такое линейная регрессия?
Линейная регрессия,..
Демистификация математических концепций для глубокого обучения
Изучите основные математические понятия для науки о данных и глубокого обучения, такие как скаляр и вектор, детерминант, разложение по сингулярным числам и многое другое.
Наука о данных — это междисциплинарная область, которая использует математику и расширенную статистику для прогнозирования. Все алгоритмы обработки данных прямо или косвенно используют математические концепции. Глубокое понимание математики поможет вам разработать инновационные решения для обработки данных, такие как..
Введение в логистическую регрессию в Python с помощью statsmodels и scikit-learn
Введение в логистическую регрессию в Python с помощью statsmodels и scikit-learn
Вступление
Многие проблемы, с которыми сталкиваются специалисты по обработке данных, статистики и другие специалисты по работе с данными, требуют определения того, принадлежат ли интересующие наблюдения к той или иной категории по тому или иному результату. Примеры включают оценку кредитоспособности (например, будет ли потенциальный заемщик дефолт по своему долгу?), Пометку покупок по кредитной карте,..
Почему краткосрочные модели плохо выглядят при тестировании с коррелированными активами
Я пытался найти некоторые количественные/статистические аргументы, которые могли бы пролить некоторый свет на вопрос о том, оправдано ли ожидать одновременного применения краткосрочной модели к набору инструментов, которые с качественной точки зрения считаются сильно коррелированными. , т. е. корзина фьючерсов на фондовый индекс, металлы, энергоносители и так далее.
Вопросы были подняты несколькими «долгосрочными» фондами, такими как традиционные CTA, где общепринятой практикой..
Линейная алгебра для науки о данных | Повторное посещение старшей школы
Хорошее понимание линейной алгебры является неотъемлемой частью анализа алгоритмов машинного обучения, особенно для глубокого обучения, где так много всего происходит за кулисами. Я часто замечал, что столкновение с математикой и соответствующими формулами пугает многих соискателей, и я не исключение. Но этот аспект обучения неизбежен для любого соискателя науки о данных, поэтому я попытался упростить его для себя. С намерением помочь группе начинающих соискателей я расскажу об..
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..