Публикации по теме 'machine-learning'
Благодарности.
Большое спасибо LinkedIn и YouTube , это потрясающие каналы, на которых я потратил время на изучение машинного обучения и интеллектуального анализа данных для создания модели IDDS.
Благодаря нескольким видеороликам, которые я видел на YouTube, и документам, которые я скачал из LinkedIn и Google Scholar, я получил доступ к ценным знаниям и более глубокому пониманию некоторых других аспектов ИИ.
Эти знания помогли мне внести очень значительный вклад в получение степени магистра в..
Углубление модели регрессии на примере
Эта сессия направлена на объяснение регрессионной модели обучения с учителем. Как уже упоминалось несколькими способами, ML имеет несколько типов. Один из них – контролируемое обучение. В рамках обучения с учителем существуют две модели, так называемые «Регрессия» и «Классификация».
Пример будет обработан для регрессии.
Задача; Прогноз для Хауса
Решение;
Шаг 1. Обзор данных
На шаге 1 отображается сводка данных.
Шаг 2. Спецификация зависимых и..
Понимание автоэнкодеров (часть II)
В чем магия автоэнкодеров? Приводим примеры кода!
В предыдущей статье (если вы пропустили ее, вот ссылка) я объяснил потенциальные варианты использования автокодировщиков и кратко объяснил, что такое автокодеры. В этой статье я хотел бы объяснить два типа автоэнкодеров и дать их некоторую кодовую реализацию на Python и Keras.
Начнем с объяснения того, как они работают.
Неполные автоэнкодеры.
Основная задача неполных автоэнкодеров - не просто копировать ввод в вывод, а вместо..
Инновационные идеи, связанные с маскированными автоэнкодерами в 2023 году, часть 1 (машинное обучение)
Контрастная настройка: небольшая помощь, чтобы забыть о маскированных автоэнкодерах (arXiv)
Автор: Оханнес Ленер , Бенедикт Алкин , Андреас Фюрст , Элизабет Руметсхофер , Лукас Миклаутц , Зепп Хохрайтер .
Аннотация: методы моделирования маскированных изображений (MIM), такие как маскированные автоэнкодеры (MAE), эффективно изучают богатое представление входных данных. Однако для адаптации к последующим задачам им требуется достаточное количество размеченных данных, поскольку их..
Методы корреляции
Разработка функций и выбор функций, несомненно, являются важным методом науки о данных. Если вы хотите, чтобы ваша модель машинного обучения работала хорошо, вам необходимо выполнить корреляцию между нашими функциями и целью, чтобы мы могли получить четкое представление о наборе данных. Существует множество различных типов корреляции, которые мы можем применить к нашему набору данных, с помощью которых мы можем получить желаемые результаты. В нашем случае мы собираемся сначала изучить..
Заставить науку о данных работать на местное самоуправление | Пиковые индикаторы
Мы спрашиваем наших политиков, сколько стоит пинта молока, потому что хотим знать, на связи ли они — хорошо осведомлены о реалиях повседневной жизни. На каждом уровне правительства мы ожидаем, что лица, принимающие решения, будут иметь четкое представление о положении своих граждан, знать, как изменения в государственных услугах, использование ограниченных ресурсов и планирование будущего повлияют на людей до того, как слово «вперед». В связи с этим данные являются наиболее важным..
ML Engineering и ML Ops для удовольствия и прибыли — Часть 1
E8Manifold — ML Ops для серьезных специалистов по данным и инженеров по машинному обучению
Фон
В прошлом Jupyter Notebooks использовались для разработки и обучения машинному обучению на этапе разработки. Однако вопрос развертывания моделей машинного обучения подробно не рассматривался.
Элементы ML-систем
Платформы машинного обучения включают в себя множество элементов, включая сбор данных, проверку данных, настройку, разработку функций, конфигурацию, анализ моделей, планирование..