Публикации по теме 'data'
8 советов и рекомендаций по работе с большими наборами данных в машинном обучении
Основное руководство по оптимизации памяти и кода
Pandas и Scikit-learn - популярные библиотеки в сообществе специалистов по науке о данных, поскольку они обладают высокой производительностью и простыми в использовании структурами и функциями данных. Pandas предоставляет инструменты анализа данных для подготовки и анализа данных. Эти библиотеки хорошо работают, работая с наборами данных в памяти (данными, которые помещаются в ОЗУ), но когда дело доходит до обработки наборов данных..
Оправдывает ли повышенная точность дополнительную сложность модели машинного обучения?
Поскольку вычислительная мощность компьютеров становится дешевле и доступнее, для достижения большей точности все чаще используются сложные алгоритмы машинного обучения.
Однако оправдывает ли повышение точности добавленную сложность?
Чтобы ответить на этот вопрос, я провел небольшой эксперимент. Я обучил и протестировал набор данных Доход взрослых с различными алгоритмами классификации машинного обучения, чтобы наблюдать разницу в AUC (площадь под кривой) и времени, затрачиваемом..
5 статей для чтения по использованию искусственного интеллекта с роботизированной автоматизацией
Управление трафиком с помощью социального робота-гуманоида ( arXiv )
Автор: Фейсал Гаффар
Аннотация . С развитием таких технологий, как искусственный интеллект, машинное обучение и Интернет вещей, стало легко разрабатывать больше роботов-гуманоидов и автоматизировать различные процессы. Интерактивный робот должен иметь высокое социальное поведение, чтобы его могли легко принять люди, использующие его. В этом исследовании мы разработали робота дорожной полиции (TRAPROB) для..
Как подготовить данные для машинного обучения
Подготовка данных к моделированию — один из первых фундаментальных этапов работы с данными
Обучение прогностических моделей требует, чтобы наши данные были в соответствующем формате. Мы не можем передать наш файл .csv модели и ожидать, что она научится правильно обобщать.
В этой статье мы рассмотрим, как подготовить данные для машинного обучения, начиная с конвейера подготовки данных и заканчивая его разделением на наборы для обучения, проверки и тестирования.
Конвейер подготовки..
Работа с полиномиальной регрессией, часть 1 (машинное обучение)
Оптимальный план подвыборки для полиномиальной регрессии (arXiv)
Автор: Торстен Рейтер , Райнер Швабе .
Аннотация: Улучшения в технологии приводят к увеличению доступности больших наборов данных, что делает потребность в сокращении данных и информативных подвыборках еще более важной. В этой статье мы строим D-оптимальные планы подвыборки для полиномиальной регрессии в одной коварианте для инвариантных распределений ковариаты. Мы более внимательно изучаем квадратичную регрессию для..
Банки Digital Next с интеллектуальными платформами на базе AI/ML
Сегодня банки имеют доступ к огромному количеству данных о клиентах, продуктах и операционных данных. Данные поступают из внутренних и внешних источников, включая потоковые данные в реальном времени с датчиков, устройств, мобильных приложений, IoT и корпоративных центров обработки данных. Банки также борются с использованием неструктурированных данных, таких как комментарии, жалобы, электронные письма и т. д., помимо структурированных данных, находящихся в архиве. По мере того, как..
Добавление динамических данных из Javascript на сайты Hype
Hype от Tumult - отличный инструмент для некодеров, позволяющий создавать впечатляющие веб-сайты, особенно если вы ищете что-то довольно динамичное. Для людей, знакомых с AfterEffects или Sketch, его интерфейс очень похож. Hype даже позволяет вам добавлять свои собственные функции javascript, что означает, что вы даже можете создать динамический веб-сайт, подобный CMS, без необходимости знать какой-либо код.
В этом руководстве мы собираемся использовать Hype для динамического обновления..
Новые материалы
Возможности и неспособности рекуррентных нейронных сетей в НЛП
Надеюсь, вы уже знакомы с основами рекуррентных нейронных сетей (RNN). Если нет, смело ссылайтесь на эту статью . В обработке естественного языка (NLP) RNN сыграли важную роль в моделировании..
День 86/100 Вес шрифта
День 86/100 Вес шрифта
Поиск правильного баланса между деталями, необходимыми для создания идеального дизайна, должен учитывать иерархию контекста и устанавливать возможные результаты для..
20-минутный шедевр: обучение вашей собственной мобильной модели переноса
20-минутный шедевр: обучение вашей собственной модели передачи стиля
Мобильные модели передачи стиля с Google Colab и Fritz AI
Художественная передача стиля - один из самых популярных..
Как анализировать JSON и XML, используя один и тот же код в Java
Формат данных Джексона на практике
Поддержка нескольких форматов, таких как XML ( Extensible Markup Language ) и JSON ( JavaScript Object Notation ), обычно означает несколько реализаций,..
Обещания в Javascript
Обещания в JavaScript используются для работы с асинхронными операциями. JavaScript — это асинхронный однопоточный язык. Мы можем использовать обратные вызовы или обещания для обработки..
Концепции линейности в машинном обучении
Линейность — важная концепция машинного обучения, особенно в контексте обучения с учителем. В обучении с учителем мы пытаемся построить модель, которая может прогнозировать выходную переменную..
Forever Functional #15 — Функциональное структурирование проекта React
Методы функционального программирования позволяют лучше структурировать проекты React.
В этой серии статей мы обсуждали функциональное программирование (FP) и то, как его применять для..