Публикации по теме machine-learning

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..