Публикации по теме 'applied-ai'
Метрики производительности для моделей машинного обучения
Существуют различные метрики, которые мы можем использовать для оценки производительности алгоритмов машинного обучения, классификации, а также алгоритмов регрессии. Мы должны тщательно выбирать метрики для оценки эффективности машинного обучения, потому что
Способ измерения и сравнения производительности алгоритмов машинного обучения будет полностью зависеть от выбранной нами метрики. То, как мы оцениваем важность различных характеристик в результате, полностью зависит от выбранной..
Обратное распространение.
Векторизованная / тяжелая математическая часть.
Отказ от ответственности: Это примечания к уроку Обратное распространение (векторизованная / тяжелая математическая часть) (курс PadhAI onefourthlabs Первый курс по глубокому обучению )
Начнем с простого базового нейрона и алгоритма обучения для него, как показано ниже.
Используя это, мы построим глубокую нейронную сеть, соответственно алгоритм обучения для этой сети, как мы знали раньше.
Используя правило..
Глубокое обучение для обработки естественного языка - Часть II
Около недели назад я написал первую часть этой серии , которая также была моим первым рассказом на Medium. Сегодня я хотел бы познакомить вас с областью глубокого обучения, исследуя глубокие нейронные сети для анализа настроений.
Если вы уже знакомы с этими типами сетей и знаете, почему был сделан определенный выбор, вы можете пропустить первый раздел и сразу перейти к следующему. Я обещаю, что решения, которые я принял в отношении разделения обучения / проверки / тестирования, вас..
ML - это все о переоснащении и недообучении
Может ли модель машинного обучения предсказать лотерею? Учитывая, что лотерея честная и действительно случайная, ответ должен быть отрицательным, верно? Что, если я скажу вам, что модель действительно можно подогнать под исторические данные лотереи. Звучит безподобно! Тогда почему бы нам не обучить такую модель предсказанию лотереи?
Разве мы не можем собрать набор данных, состоящий из исторических данных лотереи, обучить модель, соответствующую этому набору данных, использовать..
Практически ли полезна наука о данных?
Три способа использования науки о данных в повседневной жизни
По большому счету, наука о данных получает плохую репутацию.
Большинство людей считают эту профессию практичной только для крупного бизнеса с большим объемом данных. В первые дни моей работы в качестве консультанта с очень маленьким рабочим днем в некоторых очень небольших компаниях они часто объясняли, что наука о данных - не то, что им нужно. У них просто не было масштабов, чтобы оправдать использование дорогостоящего..
Используйте предварительно созданные модели машинного обучения (ML), чтобы ускорить процесс машинного обучения
Если у вас есть данные, которые вы сохраняли, надеясь, что в конечном итоге получите ценную информацию, сейчас самое время использовать эти данные!
Как ты это делаешь? С помощью машинного обучения (ML).
Мы знаем, о чем вы думаете. На внедрение машинного обучения могут уйти годы, и вам нужны результаты сейчас. Что ж, если вы планируете создавать машинное обучение с нуля, просто знайте, что вы не можете нажать кнопку, и у вас есть машинное обучение.
Алгоритма сжатия опыта нет...
Выявление моделей мошенничества с помощью машинного обучения
Мошенничество происходит каждый день, замечаем мы это или нет. Продавцы могут даже не подозревать, что в их магазине происходит мошенничество, и все же это может произойти. Предотвращение такого мошенничества важно для поддержания доходов бизнеса за счет доверия клиентов и безопасности бренда.
И все же в большинстве случаев продавец не будет нести ответственность за мошенничество. Страховая компания оплатит счет, если украденный предмет или деньги не могут быть возвращены. Поэтому..
