Публикации по теме 'deep-dives'


Транспиляторы и полифиллы: невоспетые герои современной JS-разработки
Введение Многие из нас используют полифиллинг и транспиляцию в наших JS-проектах, хотим мы того или нет. Но действительно ли мы понимаем, почему мы это делаем, и что бы произошло, если бы мы этого не сделали? В этом посте мы углубимся в JS и выясним, почему транспиляция и полифиллинг необходимы для всех JS-проектов. Назад и вперед Во-первых, давайте познакомимся с понятиями обратной совместимости и прямой совместимости. Удивительно, что вы можете запустить JS-код 1995 года в..
Давайте сделаем: нейронные сети
Подробный отчет о создании нейронной сети в PyTorch для прогнозирования частоты страховых случаев. Фон В этой седьмой — да, седьмой — статье о нейронных сетях¹ я наконец-то добрался до ее создания. О времени! В любом случае, чтобы подвести итог тому, что мы узнали до сих пор: Нейронные сети состоят из нейронов или узлов. Они разделены на входной слой (куда поступают данные), выходной слой (куда выходит ответ) и скрытые слои (где происходит волшебство). Скрытые слои — это..
Простое объяснение поиска по сетке и байесовской оптимизации
Введение в настройку гиперпараметров и две самые популярные техники Содержание - "Введение" - Поиск по сетке против байесовской оптимизации Регрессия опорных векторов — как это работает Оценка производительности модели Нахождение оптимальных настроек гиперпараметров Поиск по сетке От грид-поиска к байесовской оптимизации -"Краткое содержание" -"Использованная литература" Небольшое замечание заранее: статья посвящена максимально интуитивному объяснению..
Бережливое машинное обучение: запуск проверки концепции по методу бережливого стартапа (часть 2)
Как изменить способ создания продуктов машинного обучения Добро пожаловать! И если это первая статья из этой серии, которую вы видите, вы можете ознакомиться с Частью 1 здесь . Подводя итог, мы обсудили, как создавать более качественные продукты для машинного обучения, применяя подход Эрика Риса к бережливому стартапу. В части 1 мы рассмотрели доказательство концепций (POC) с помощью машинного обучения и концепцию управления продуктами, называемую Innovation Sweet Spot (ISS). ISS..
Квантили - ключ к пониманию распределения вероятностей
Практические учебные пособия , MATH REFRESHER FOR DATA SCIENTISTS Квантили - ключ к пониманию распределения вероятностей Если вы когда-либо испытывали замешательство при использовании распределения вероятностей, эта статья для вас. Вы встречались с распределением вероятностей много раз. Вы знаете, что есть несколько разных типов. Но в глубине души вы чувствуете замешательство, когда вам нужно использовать это на практике. Какая, черт возьми, разница между распределением..
SHAP: объясните любую модель машинного обучения в Python
SHAP: объясните любую модель машинного обучения в Python Ваше полное руководство по SHAP, TreeSHAP и DeepSHAP Мотивация Время историй! Представьте, что вы обучили модель машинного обучения прогнозировать риск дефолта претендентов на ипотеку. Все хорошо, исполнение тоже отличное. Но как работает модель? Как модель приходит к прогнозируемому значению? Мы встали и сказали, что модель учитывает несколько переменных, а многомерные отношения и закономерности слишком сложны, чтобы..
Обработка исключений и телеметрия с PostSharp, Application Insights и Grafana
Независимо от того, начинаете ли вы работать с .NET или используете его на протяжении всего срока службы, каждый проект рано или поздно сталкивается с проблемами. В предыдущей статье я обсуждал, как PostSharp можно использовать для решения таких проблем, как ведение журнала и многопоточность. Сегодня я покажу вам, как мы можем применить эти же принципы к обработке исключений для отправки телеметрии в реальном времени в Application Insights. Замечания Обработка исключений - это..