Публикации по теме 'machine-learning'
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..
Линейная / логистическая регрессия
вступление
Прогностическое моделирование на основе данных, имеющихся в электронных таблицах, в отличие от визуальных или акустических данных, обычно дает один из двух желаемых результатов: прогнозирование числового значения или категории. Первая называется проблемой регрессии, а вторая - классификацией. Хотя множество довольно сложных алгоритмов могут решить проблемы, упомянутые выше, немногие из них столь же надежны и просты в использовании, как линейная и логистическая регрессия. Эта..
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..
AI Matchmakers: почему графические нейронные сети лучше MLP?
Графовые нейронные сети (GNN)! Представьте их сватами вселенной ИИ, неустанно помогающими точкам данных находить друзей и популярность, исследуя их связи. Лучший ведомый на цифровой вечеринке.
Вы спросите, почему эти GNN так важны? Ну, в реальной жизни вроде бы все взаимосвязано. Мы говорим о таких вещах, как социальные сети, Всемирная паутина, сети частиц и даже изоморфный танец молекул ⚛ (спросите Уолтера Уайта). А вот и ошеломляющее открытие: даже « прямолинейные » структуры..
Как инструменты маркировки данных расширяют возможности оценки костного возраста
Костный возраст является основным методом оценки биологического возраста подростков и детей. Костный возраст и фактический возраст не совпадают. Исследование костного возраста может понять развитие костей, определить, является ли костный возраст замедленным или слишком быстрым, а также понять причины и прогноз низкого роста. Он имеет широкий спектр применения в области клинической медицины, судебной медицины и спортивной медицины.
В настоящее время широко используемым методом оценки..
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...
