Публикации по теме 'machine-learning'
Прогнозирование сердечных заболеваний с помощью машинного обучения (часть 2)
Это вторая часть предыдущей статьи, в которой добавлены этапы масштабирования и моделирования машинного обучения для классификации точек данных на наличие или отсутствие заболеваний сердца.
В предыдущей части статьи ( Часть 1 ) я закончил описанием корреляционной матрицы между различными параметрами и целевой переменной (есть ли у пациента болезнь сердца или нет). Следующий шаг включает в себя использование процесса Label Encoding , где категориальные переменные, такие как пол ,..
От хаоса к ясности: расшифровка силы неструктурированных данных
Часть 1/3. Удивительный мир неструктурированных данных
Добро пожаловать в дикий и удивительный мир данных, где царит хаос, а идеи прячутся среди неструктурированного хаоса!
В этом приключении, состоящем из трех частей, мы отправимся в путешествие, чтобы раскрыть необузданную силу неструктурированных данных.
Наше цифровое царство похоже на быстрорастущие джунгли данных, где информация появляется каждую секунду.
И угадай что? Колоссальные 80% этих данных — это непослушные,..
Решение для распознавания черт личности с использованием машинного обучения
Решение по распознаванию личных качеств с использованием машинного обучения — обзор
· Анализ настроений – это инструмент машинного обучения , который анализирует тексты или твиты от человека. Эти тексты или твиты можно разделить на положительные, отрицательные или нейтральные в зависимости от основного настроения.
· Путем обучения инструментов машинного обучения с примерами эмоций в тексте, твитов машины автоматически учатся определять настроения без участия человека.
· Но..
Разумный ИИ и тест Тьюринга. Доказал ли инженер Google, что компьютеры могут чувствовать?
Разумный ИИ и тест Тьюринга: инженеры Google доказали, что компьютеры могут чувствовать?
Одна из самых громких историй года в сообществе ИИ — это утверждение инженера Google о разумном ИИ . Это было частью исследования Google LaMDA , которое представляет собой языковую модель диалогового общения. Это звучит необычно, но сообщество ИИ не восприняло это как прорыв или переломный момент. Вместо этого возникло больше вопросов без определенных ответов.
Был скептицизм со стороны..
Понимание тренировки смешанной точности
Смешанная точность для обучения нейронных сетей может сократить время обучения и требования к памяти, не влияя на производительность модели.
По мере развития методологий глубокого обучения все соглашались, что увеличение размера нейронной сети улучшает производительность. Однако это наносит ущерб требованиям к памяти и вычислениям, которые также необходимо увеличить для обучения модели.
Это можно увидеть, сравнив производительность предварительно обученной языковой модели Google,..
Внедрение моделей машинного обучения в производство без усилий в Dailymotion
Как нам удается легко планировать конвейеры машинного обучения с помощью Airflow и Kubernetes с помощью KubernetesPodOperator
Чтобы обеспечить максимальное удобство для пользователей, Dailymotion во многом полагается на алгоритмы машинного обучения и искусственный интеллект, которые лежат в основе его механизмов рекомендаций и тегов видео. Поэтому возможность беспрепятственно создавать, обучать и развертывать новые модели - одна из наших главных забот как инженеров по обработке..
Логистическая регрессия продолжается…
Ранее мы познакомились с основами логистической регрессии, поэтому теперь мы увидим, почему логистическая регрессия помогает с конкретным типом проблем, где выход является фактором, т. е. 1 или 0, True или False и т. д.
Мы знаем, что сигмовидная функция
и заговор это выглядит,
в логистической регрессии мы хотим, чтобы наш результат был в [0,1].
So,
Берем теперь производную функции g(z):
Тогда функция потерь может быть такой:
Функция стоимости для..
