Публикации по теме 'data-science'
Механизмы контекстных рекомендаций — Часть 2
Это продолжение статьи о системах контекстных рекомендаций. В предыдущем посте мы обсудили теорию различных подходов к рекомендации песен для плейлиста. Этот пост посвящен представлению очистки и исследовательского анализа данных, выполненному на основе данных, реализации ранее обсуждавшихся подходов и сравнению производительности по показателям оценки.
Обработка и очистка данных
Датасет, предоставленный на конкурс, насчитывает более 2 миллионов уникальных треков, 1 миллион..
Как работает маскированное моделирование, часть 1 (машинное обучение)
Захват темы с помощью моделирования маскированного языка (arXiv)
Автор: Сяобо Го , Вэйчэн Ма , Соруш Восуги .
Аннотация: Дифференциальное формулирование проблем может привести к расхождению мировоззрений по важным вопросам. Это особенно верно в тех областях, где представленная информация может быть доступна широкой аудитории, например, в традиционных и социальных сетях. Масштабируемое и надежное измерение такого дифференциального кадрирования является важным первым шагом в их..
нужно ‘=’ после acct_ID
нужно ‘=’ после acct_ID
Этот Decorator сделает Python в 30 раз быстрее
С примерами панды
Сценарист: Амаль Хасни и Диа Хмила
Как вы знаете, Python — это интерпретируемый язык. Это означает, что код Python не компилируется напрямую в машинный код, а интерпретируется в режиме реального времени другой программой, называемой интерпретатором (в большинстве случаев cpython ).
Это одна из причин, почему python обеспечивает такую большую гибкость (динамическая типизация, работает везде и т. д.) по сравнению с компилируемыми языками. Однако именно..
WhenDone: библиотека Python, чтобы сообщить вам, когда ваша функция будет выполнена!
WhenDone сообщит вам через Slack и/или Telegram, когда ваша функция будет выполнена!
Часто при работе с машинным обучением для обучения модели может потребоваться некоторое время. Чтобы упростить задачу, я создал эту библиотеку, которая будет уведомлять вас о выполнении вашей функции или о возникновении исключения. Сама библиотека говорит сама за себя, я объясню более подробно в этой статье.
Зачем использовать WhenDone?
Преимущество этой библиотеки заключается в том, что она уведомит..
Варианты использования перекрестной проверки, часть 5 (машинное обучение)
Неравенства концентраций для перекрестной проверки с исключением одного (arXiv)
Автор: Бенни Авелин , Лаури Вийтасаари .
Аннотация: В этой статье мы доказываем, что стабильности оценщика достаточно, чтобы показать, что перекрестная проверка с исключением по одному является надежной процедурой, путем предоставления границ концентрации в общей структуре. В частности, мы предоставляем границы концентрации за пределами допущений о непрерывности Липшица для потерь или для оценки. Чтобы..
Интерпретируемость моделей глубокого обучения
Интерпретируемость моделей глубоких нейронных сетей (DNN) всегда была ограничивающим фактором для случаев использования, требующих объяснения функций, задействованных в моделировании, и это имеет место во многих отраслях, таких как финансовые услуги. Финансовые учреждения, в силу регулирования или по собственному выбору, предпочитают структурные модели, которые легко интерпретируются людьми, поэтому модели глубокого обучения в этих отраслях медленно внедряются. Примером критического..