Публикации по теме 'hands-on-tutorials'
Как интерпретировать любой прогноз машинного обучения
ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ | ОБЪЯСНИМОСТЬ | НАУКА ДАННЫХ
Как интерпретировать любой прогноз машинного обучения
Преобразование моделей черного ящика в стеклянный ящик
Local Interpretable Model-agnostic Explanations (LIME) — это проект Python, разработанный Ribeiro et al. [1] для интерпретации прогнозов любой модели контролируемого машинного обучения (ML).
Большинство алгоритмов машинного обучения — это черные ящики; мы не можем правильно понять, как они выполняют конкретное..
Учебные пособия по науке о данных — Обучение случайного леса в R
Узнайте, как обучить случайный лес с помощью языка R.
[Это моя первая публикация из серии учебных пособий по науке о данных — следите за публикациями, чтобы узнать больше о том, как обучать различные алгоритмы в R или Python!]
Случайные леса — один из наиболее широко используемых алгоритмов машинного обучения. У них есть несколько преимуществ по сравнению с другими моделями благодаря их способности работать с нелинейными паттернами и их интерпретируемости.
Хотя им бросают вызов..
Поиск сходства, часть 5: Хеширование с учетом местоположения (LSH)
Узнайте, как информация о сходстве может быть включена в хэш-функцию
Поиск по сходству – это задача, в которой задан запрос, целью которого является поиск наиболее похожих на него документов среди всех документов базы данных.
Введение
В науке о данных поиск по сходству часто появляется в домене НЛП, поисковых системах или рекомендательных системах, где для запроса необходимо найти наиболее релевантные документы или элементы. Существует множество различных способов повышения..
XGBoost: полное руководство (часть 2)
Реализация алгоритма XGBoost на Python с нуля
В предыдущей статье мы обсудили алгоритм XGBoost и показали его реализацию в псевдокоде. В этой статье мы собираемся реализовать алгоритм на Python с нуля.
Предоставленный код представляет собой краткую и облегченную реализацию алгоритма XGBoost (всего около 300 строк кода), предназначенную для демонстрации его основных функций. По существу, она не оптимизирована по скорости или использованию памяти и не включает в себя полный спектр..
Оценка и прогноз успеваемости учащихся во время Covid-19
Практические руководства
Оценка и прогноз успеваемости учащихся во время Covid-19
Семантический подход к прогнозированию успеваемости учащихся с использованием методов интеллектуального анализа данных
Снова наступило то время года. Просматривая последние минутные заметки утром перед экзаменом, съедая свой завтрак, как обезьяна, чтобы успеть на последний автобус, идущий в центр, добираясь до назначенной экзаменационной комнаты и подслушивая, как кто-то обсуждает тему, о которой вы..
Это руководство научит вас создавать подклассы моделей и слоев Keras, которые используют пользовательские потери с пользовательскими градиентами в TensorFlow.
Введение
Отказ от ответственности
Keras отлично справляется с абстрагированием низкоуровневых деталей создания нейронной сети, чтобы вы могли сосредоточиться на выполнении работы. Но если вы читаете это, вы, вероятно, обнаружили, что стандартные методы Keras не всегда могут быть использованы для изучения параметров вашей модели. Возможно, ваша модель имеет градиент, который нельзя рассчитать с помощью магии автодиффа, или ваша функция потерь не соответствует сигнатуре..
Многозадачное обучение для классификации с помощью Keras
Узнайте, как создать модель, способную одновременно выполнять несколько классификаций изображений с помощью многозадачного обучения.
Многозадачное обучение (MLT) — это подраздел машинного обучения, в котором несколько задач одновременно изучаются с помощью общей модели. Этот тип обучения помогает повысить эффективность данных и скорость обучения, потому что общая модель будет изучать несколько задач из одного и того же набора данных и сможет учиться быстрее благодаря вспомогательной..
