Публикации по теме 'data-science'
Сравнение спискового понимания и встроенных функций в Python: что лучше?
Углубленный анализ синтаксиса, удобочитаемости и производительности.
Вы когда-нибудь ловили себя на том, что просматриваете Netflix в дождливый день, чувствуя себя ошеломленным бесконечным выбором фильмов и шоу для просмотра?
В программировании парадокс выбора может быть столь же ошеломляющим. С таким количеством доступных библиотек и фреймворков, предоставляющих бесчисленное множество способов достижения одной и той же цели, легко заблудиться в море вариантов.
В Python такая..
Работа с f-дивергенцией, часть 1 (машинное обучение)
Предельная теория распределения для f-расхождений (arXiv)
Автор: Сриджит Шрикумар , Зив Голдфельд , Кенго Като
Вывод: f-дивергенции, которые количественно определяют несоответствие между распределениями вероятностей, повсеместно используются в теории информации, машинном обучении и статистике. Хотя существует множество методов оценки f-расхождений по данным, теория предельного распределения, которая количественно определяет флуктуации ошибки оценки, в значительной степени..
Обновления по выпуклой минимизации, часть 2 (машинное обучение)
Линейный поиск для выпуклой минимизации (arXiv)
Автор : Лоран Орсо , Маркус Хаттер
Аннотация: Поиск золотого сечения и поиск пополам являются двумя основными принципиальными алгоритмами одномерной минимизации квазивыпуклых (унимодальных) функций. Первый использует только запросы функций, а второй также использует запросы градиента. Другие алгоритмы существуют при гораздо более строгих предположениях, например метод Ньютона. Однако, насколько нам известно, не существует..
Некоторые из любимых интервью Никиты RE•WORK за 2016 год
Это был еще один напряженный год для RE•WORK! Мы расширились до новых тем, включая машинный интеллект, виртуальные помощники, глубокое обучение в здравоохранении и глубокое обучение в финансах, в таких местах, как Сингапур, Нью-Йорк и Берлин, и мы с нетерпением ждем новых интересных разработок в области искусственного интеллекта в нашем 2017 событий в году впереди!
У меня была возможность оглянуться назад на нашу серию выступлений спикеров за последний год, и я отметил некоторые из..
Введение в PyTorch: от цикла обучения к прогнозированию
Введение в цикл обучения PyTorch и общий подход к более крутой кривой начального обучения библиотеке
В этом посте мы расскажем, как реализовать модель логистической регрессии с использованием PyTorch в Python.
PyTorch — одна из самых известных и используемых платформ глубокого обучения в мире специалистов по обработке и анализу данных и инженеров по машинному обучению, поэтому изучение этого инструмента становится важным шагом на вашем пути обучения, если вы хотите построить..
От непрерывного к категориальному: изучение логистической регрессии — неделя 3, день 17
Приветствую, энтузиаст данных! Добро пожаловать на 17-й день нашей серии «Python для науки о данных: 100 дней до мастерства». Основываясь на нашем понимании линейной регрессии из 16-го дня, сегодня мы переходим к логистической регрессии — важному инструменту для задач классификации. К концу нашего занятия вы овладеете концепцией и практической реализацией логистической регрессии с использованием Python.
Логистическая регрессия: учебник для начинающих
В то время как линейная..
Ядро радиальной базисной функции (RBF) в науке о данных
Ядро радиальной базисной функции (RBF) — это функция ядра, используемая в машинах опорных векторов (SVM) и других ядерных моделях. Это нелинейное ядро, которое можно использовать для задач классификации и регрессии.
Ядро RBF определяется как:
K(x, y) = exp(-gamma * ||x — y||²)
где:
K(x, y) — функция ядра, применяемая к входным векторам x и y. гамма — это гиперпараметр, управляющий шириной ядра. ||х — у|| - евклидово расстояние между векторами x и y
Ядро RBF имеет единственный..
