Публикации по теме 'ml-so-good'
Глубокое обучение в компьютерном зрении: принципы и приложения
В последнее время было много разговоров о возможном использовании компьютерного зрения. Это технология, которая по большей части воспроизводит человеческое зрение и может проводить обширный анализ изображений. Однако многие люди, похоже, не уверены в разнице между компьютерным зрением и машинным обучением. Это понятно, учитывая, насколько широко обе технологии (машинное обучение компьютерного зрения) пересекаются.
И машинное обучение, и компьютерное зрение являются подмножествами..
K-ближайшие соседи
Введение
Рыбак рыбака видит издалека. — Уильям Тюнер
Приведенная выше цитата прекрасно описывает алгоритм, о котором мы будем говорить в этом посте. KNN означает K-ближайших соседей . Это простой и удобный в реализации алгоритм машинного обучения с учителем, который можно использовать для решения задач классификации и регрессии .
В этом сообщении блога мы обсудим теорию алгоритма K-ближайших соседей. Итак, без лишних слов давайте углубимся в теоретические аспекты..
Температура софтмакс
Температура — это гиперпараметр LSTM (и нейронных сетей в целом), используемый для контроля случайности прогнозов путем масштабирования логитов перед применением softmax. Температурное масштабирование широко используется для повышения производительности задач НЛП, использующих уровень принятия решений Softmax.
Чтобы объяснить его полезность, мы рассмотрим случай генерации естественного языка, в котором нам нужно генерировать текст путем выборки новых последовательностей из языковой..
Максимальное использование Orange для обучения науке о данных — Часть 2
В первой части этой серии я представил обзор платформы интеллектуального анализа данных Orange, которая фокусируется на обучении науке о данных. Во второй части я сосредоточусь на некоторых уникальных образовательных функциях Orange, которые могут оказаться полезными для пользователей. Большинство этих функций не обсуждаются ни на сайте Orange, ни в видео на YouTube.
1. Разверните показатели эффективности модели . Для классификации в виджете теста и оценки вам предоставляются AUC,..
Повышение градиента для классификации
Объяснение и реализация повышения градиента в Python
Этот пост в блоге является вторым постом о Gradient Boosting. Первая глава была посвящена проблеме регрессии;
Повышение градиента для регрессии с нуля Объяснение и реализация повышения градиента в Python medium.com
Мы будем использовать фиктивный набор данных, показанный ниже;
Как и в той же регрессии, у нас есть набор данных, состоящий из n наблюдений и целевых признаков,..
Модели машинного обучения больше не являются черным ящиком
Полное руководство по объяснению выходных данных модели машинного обучения
Многие люди думают, что результаты модели машинного обучения необъяснимы и что прогноз или решение модели могут быть надежными, но вы не можете знать, на основании чего модель принимает решение.
Это полезно для отладки, информирования будущей инженерии данных, лучшего управления сбором данных в будущем, информирования о принятии решений людьми и укрепления доверия для общения с заинтересованными сторонами бизнеса..
Методы выбора признаков в машинном обучении.
В области машинного обучения выбор признаков играет решающую роль в повышении производительности модели, снижении вычислительной сложности и повышении интерпретируемости. Выбор признаков включает определение наиболее релевантных и информативных признаков из данного набора данных.
Допустим, вы любитель пиццы и хотите создать систему рекомендаций по пицце на основе искусственного интеллекта. У вас есть огромная база данных с тысячами атрибутов, описывающих каждую пиццу, включая..