Публикации по теме 'supervised-learning'
Погружение WatchMojo в глубокое и машинное обучение
Большие данные сулят большие перспективы для WatchMojo . Еще в первом квартале 2017 года, стремясь создать собственные продукты и инновации, чтобы связать прошлые просмотры видео и взаимодействие с будущими видеопроектами, я услышал об алгоритмах, которые могут учиться на данных, не полагаясь на программирование на основе правил. Чтобы создать ценность для наших зрителей, я спросил, есть ли у нас набор данных, а затем поставил перед собой цель выяснить, какие видео будут очень..
Саи пробует науку о данных # 2
Введение в машинное обучение
В чем разница между искусственным интеллектом и машинным обучением?
Определить искусственный интеллект
Честно говоря, искусственный интеллект можно определить по-разному.
Вот как IBM определяет искусственный интеллект ...
«Искусственный интеллект относится к способности компьютера или машины имитировать возможности человеческого разума - учиться на примерах и опыте, распознавать объекты, понимать язык и реагировать на него, принимать решения, решать..
Подробное руководство по эластичной сетевой регрессии !
Elastic Net Regression — это мощный алгоритм машинного обучения, который сочетает в себе функции Lasso и Ridge Regression. Это метод регуляризованной регрессии, который используется для решения проблем мультиколлинеарности и переобучения, которые часто встречаются в многомерных наборах данных. Этот алгоритм работает путем добавления штрафного члена к стандартной целевой функции наименьших квадратов. В этом блоге мы подробно расскажем об эластичной сетевой регрессии, ее преимуществах и..
Имеют ли значение соседи?
Каждую минуту мы обрабатываем скорости (и объемы) от тысяч датчиков. Чтобы найти самый быстрый путь в дорожной сети с учетом скорости на каждой дороге в момент времени, когда маршрут пересекает эту дорогу, нам нужно предсказать, какой трафик будет в будущем на каждом временном горизонте. В этом посте мы попробовали два разных способа построения векторов признаков для модели прогнозирования. Цель состояла в том, чтобы выяснить, улучшаются ли прогнозы скорости на некотором датчике X,..
Вводное руководство по алгоритмам машинного обучения: часть 2
В моей предыдущей статье я обсуждал некоторые алгоритмы машинного обучения с учителем, такие как K-ближайшие соседи, машины опорных векторов (SVM), деревья решений и нейронные сети.
Сегодня мы обсудим другие алгоритмы машинного обучения с учителем, такие как линейная регрессия, логистическая регрессия и случайные леса.
Линейная регрессия
Представьте, что у вас есть волшебный калькулятор, который может показать ваш результат в тесте в зависимости от того, сколько часов вы учитесь...
Краткий обзор наиболее распространенных алгоритмов контролируемого машинного обучения
В этой статье я попытался обобщить основные особенности наиболее распространенных алгоритмов машинного обучения с учителем, за исключением ансамблевых методов, таких как RandomForest или XGboost, о которых я расскажу в другой статье.
Обратите внимание, что во всех приведенных ниже случаях n представляет собой количество входных строк, а m представляет количество входных объектов.
K ближайших соседей (KNN)
Как это работает
i) Начните с набора данных с известными k..
Контролируемое обучение
В ML Concepts мы работаем над созданием веб-сайта с курсами и материалами, относящимися к области науки о данных.
Обучение с учителем — это тип машинного обучения, при котором машины обучаются с использованием хорошо «помеченных» обучающих данных, и на основе этих данных машины прогнозируют результат. Помеченные данные означают, что некоторые входные данные уже помечены правильными выходными данными.
При обучении с учителем обучающие данные, предоставляемые машинам, работают как..
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..