Публикации по теме 'data-science'


Jupyter AI: Расширение AI для Jupyter Lab
Он добавляет собственный пользовательский интерфейс чата, волшебные команды для отправки запросов в ChatGPT и создает целые блокноты из текстового приглашения. Ранее мы видели, как добавить функции ChatGPT в Jupyter Notebook и VSCode с помощью расширений, а теперь пришло время для Jupyter Lab! Зачем тебе это? Что ж, в отличие от предыдущих расширений, которые я вам показывал, это предлагает пользовательский интерфейс чата, который позволяет нам общаться с диалоговым помощником..
Неконтролируемое обучение в Python: K-средства
Если мы не знаем, к какой категории нам следует отнести данные (правда муравья), мы можем использовать неконтролируемое обучение, чтобы позволить Python выполнять эту работу, однако это менее точно, чем обучение с учителем. Здесь мы используем известный набор данных Iris data, который вы можете найти в Интернете. Мы можем визуализировать только двух- или трехмерные данные с помощью точечной диаграммы, поэтому мы не можем сделать это с данными Iris. кластеризация k-средних..
Как работает автономное обучение с подкреплением, часть 2 (искусственный интеллект)
Основы автономного обучения с подкреплением Обучение с подкреплением в автономном режиме: как консервативные алгоритмы могут создавать новые приложения Глубокое обучение с подкреплением добилось значительного прогресса за последние несколько лет, с историями успеха в робототехнике… bair .berkeley.edu Взаимная информация Регулярное автономное обучение с подкреплением (arXiv) Автор: Сяо Ма , Бинъи Кан , Чжунвэнь Сюй , Мин..
Классификация с использованием KNN
Алгоритм ближайшего соседа классифицирует немаркированные примеры, относя их к классу подобных помеченных примеров. Этот алгоритм используется в различных сценариях - рекомендательных системах, поиске концепций, распознавании лиц, распознавании символов, компьютерном зрении, распознавании образов. Этот алгоритм не работает, когда данные зашумлены и нет четких различий между группами. Алгоритм ближайшего соседства не делает никаких предположений о базовом распределении данных...
Глубокое погружение в анализ основных компонентов (PCA)
Есть три шага, чтобы понять анализ основных компонентов: понять математику, необходимую для PCA, концепции статистики, которые нам понадобятся, и, наконец, соединить все точки при решении окончательной задачи оптимизации для PCA. Математика для PCA: Простите меня, потому что я собираюсь вернуть вас в среднюю школу по математике! Итак, сколько математики нам на самом деле нужно, чтобы понять анализ главных компонентов? Ответ: Концепции линейной алгебры и несколько правил..
Fetch Failed Exception в Apache Spark: расшифровка наиболее распространенных причин
РУКОВОДСТВО ПО ИСПОЛНЕНИЮ ИСКРЫ Fetch Failed Exception в Apache Spark: расшифровка наиболее распространенных причин Большинство разработчиков Spark тратят много времени на устранение неполадок с ошибками выборки, наблюдаемыми во время операций перемешивания. Эта история послужит вам для наиболее распространенных причин исключения Fetch Failed Exception и покажет результаты недавнего опроса, проведенного для исключения. Операции перемешивания являются основой почти всех заданий..
Быстрое и простое исследование данных для машинного обучения
Библиотека с открытым исходным кодом Sweetviz — это путь Устали тратить «слишком много времени» на исследование данных перед обучением моделей машинного обучения? Ищете более быстрый способ понять проблемы с данными и шаблоны, прежде чем погрузиться в увлекательную часть обучения вашей модели машинного обучения? Хотите узнать, как лучше обучать модели машинного обучения, находя и устраняя проблемы в ваших данных? Вы попали в нужное место. В этой статье вы узнаете, как проводить..