Публикации по теме 'ml-so-good'
Изучение Python — Часть 1: Зачем изучать Python?
Я ненавидел программирование, когда только начинал, около 8 лет назад. Было мучительно писать код на C и C++, работая часами только для того, чтобы создать простую программу для игры в крестики-нолики или что-то в этом роде. Синтаксис, отсутствующие скобки и все такое прочее меня так раздражали, что после двух лет обучения в колледже я чуть не бросил !
Но потом это случилось… открытие, которое превратило мою ненависть к программированию в любовь… Я нашел Python (достаточно забавно…..
Использование машинного обучения и основ компании для победы на фондовом рынке
Практическое руководство по созданию модели машинного обучения для торговли акциями
В этом посте я покажу, как создать простой классификатор моделей машинного обучения , который можно использовать, чтобы помочь инвесторам выбирать, в какие акции инвестировать.
Эта статья, хотя и является вводной, предназначена для людей, имеющих некоторые знания Python и ML. Если вас интересует более подробное объяснение машинного обучения и трейдинга, ознакомьтесь с этим постом .
Будут..
Текстовый анализ тональности с помощью машин опорных векторов — Часть 2: Предварительная обработка данных и…
Текстовый анализ тональности с помощью машин опорных векторов. Часть 2. Предварительная обработка и векторизация данных
Добро пожаловать во вторую часть этой серии, где мы пытаемся построить модель машинного обучения, способную извлекать настроение из твитов. В предыдущей части мы объяснили, что такое анализ настроений, как его обычно делают и когда разумно не использовать нейронные сети. В текущей статье мы углубимся в предварительную обработку, которая должна выполняться с нашими..
Создавайте прототипы машинного обучения молниеносно!
Fast Dash позволяет молниеносно создавать прототипы и развертывать веб-приложения машинного обучения!
TL;DR
Fast Dash упрощает создание прототипов веб-приложений с машинным обучением. Используя Fast Dash, специалисты по данным могут создать пользовательский интерфейс для своих моделей менее чем за десять строк кода.
iTree: Изолированный лес
Обнаружение аномалий с помощью неконтролируемого обучения
Изолирующий лес очень похож на популярный случайный лес. Разница лишь в том, что в отличие от Random forest, изолированный лес — это метод обучения без присмотра.
Неконтролируемое обучение
Быстрое обновление неконтролируемого обучения — данные обучения не помечены. Алгоритм находит сходство и различие между входными данными. Затем он классифицирует обучающие данные по группам. Наиболее популярным использованием..
Интуитивное и математическое введение в повышение градиента для регрессии
В этой статье мы познакомимся с алгоритмом Gradient Boost, специально для регрессии. Как указано в его названии, это алгоритм повышения , и поэтому предполагается, что читатель знает, что имеется в виду. В чем-то Gradient Boost похож на алгоритм AdaBoost . Поэтому это может помочь понять Gradient Boost, если читатель также знаком с AdaBoost.
Возвращаясь к AdaBoost и пням принятия решений
Неконтролируемое обнаружение выбросов с помощью изолированного леса
Изолирующий лес – неконтролируемый алгоритм обнаружения аномалий, который может обнаруживать выбросы в наборе данных с невероятной скоростью.
Изолирующий лес – это простой, но невероятный алгоритм, способный очень быстро выявлять выбросы или аномалии в наборе данных. Я должен сказать, что понимание этого инструмента является обязательным для любого начинающего специалиста по данным. В этой статье я кратко рассмотрю теории , лежащие в основе алгоритма, а также его реализации..
