Публикации по теме 'towards-data-science'
Как бороться с синдромом самозванца
Хитрость? Используйте синдром самозванца как силу, а не как слабость.
Когда я впервые попал на встречу по искусственному интеллекту, мне показалось, что меня там не должно было быть.
Когда я во второй раз попал на мероприятие по машинному обучению, мне показалось, что меня там не должно было быть.
На 20-й раз, когда я пришел на встречу по искусственному интеллекту, я почувствовал, что меня там не должно было быть. Это было после работы инженером по машинному обучению в течение..
Лучшие исследования искусственного интеллекта 2020 года
OpenAI разделяет награду NeurIPS 2020 Best Paper Award с Миланским политехническим университетом, CMU и Калифорнийским университетом в Беркли.
Конференция по системам обработки нейронной информации (или NeurIPS , как ее обычно называют), возможно, является самым важным мероприятием года в области машинного обучения. Крупные исследовательские лаборатории, такие как OpenAI и DeepMind, представляют некоторые из своих наиболее заметных работ, и тысячи исследователей имеют возможность..
Иерархическое байесовское моделирование для Ford GoBike Ridership с PyMC3 - Часть II
В первой части этой серии мы изучили основы использования байесовской модели машинного обучения PyMC3 для построения простой модели линейной регрессии на данных Ford GoBike. В этом примере задачи мы стремились спрогнозировать количество гонщиков, которые будут использовать велопрокат завтра, на основе агрегированных атрибутов предыдущего дня. Этот тривиальный пример был просто холстом, на котором мы продемонстрировали наши байесовские мазки .
Подводя итог нашей предыдущей..
Новый Scikit-Learn больше подходит для анализа данных
Совместимость с Pandas и многое другое в версии Scikit-Learn ≥1.2.0
Примерно в декабре прошлого года Scikit-Learn выпустила крупное StandardScaler 2_0.html">стабильное обновление (v. 1.2.0–1), и, наконец, я могу попробовать некоторые из выделенных новых функций. Теперь он более совместим с Pandas, а некоторые другие функции также помогут нам в задачах регрессии и классификации. Ниже я расскажу о некоторых новых обновлениях с примерами их использования. Давай начнем!
Совместимость..
Графики Ridgeline: идеальный способ визуализации распределения данных с помощью Python
Представьте свои данные в виде горного хребта - и по пути обнаруживайте скрытые детали.
Вы не устали рисовать гистограммы или графики плотности для каждого сегмента переменной? Есть более простое решение. Графики Ridgeline - это лучший способ визуализации для этого типа проблем. Да, даже для нескольких переменных одновременно.
Вот что вы сделаете сегодня:
Чтение кажется кошмаром? Есть простое решение:
Приступим к делу. Вот как структурирована статья:
Загрузка и..
Краткая история ASR: автоматическое распознавание речи
Этот момент наступил давно. Технология распознавания речи разрабатывалась более полувека и пережила несколько периодов многообещающих - и разочарований. Так что же изменилось, чтобы сделать ASR жизнеспособным в коммерческих приложениях? И что именно могли сделать эти системы задолго до того, как кто-либо из нас услышал о Siri?
История распознавания речи - это не только применение различных подходов , но и развитие необработанных технологий, хотя они неразрывно связаны. В течение..
Золотой обзор решения проблемы идентификации горбатых китов Kaggle
Обширный, но простой обзор наиболее заметных подходов
Недавно моя команда приняла участие в Вызове по идентификации горбатых китов , который проходил на Kaggle. Мы выиграли золотую медаль и заняли 10-е место (из 2131 команды) в таблице лидеров.
В этом сообщении в блоге я обобщу основные идеи нашего решения, а также дам краткий обзор интересных и запоминающихся методов, используемых другими командами.
описание проблемы
Основная цель заключалась в том, чтобы определить,..
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..