Публикации по теме 'classification'
Прогнозирование наплыва такси Lyft в зависимости от погодных условий
Много раз нас может сбить с толку уведомление о всплеске в приложениях для обмена поездками, таких как Lyft и Uber. Уведомление о всплеске информирует нас о том, что базовые цены будут умножены на определенное число из-за высокого спроса на такси в этот момент.
Это имеет смысл в часы пик, но это сообщение также появляется в некоторые нечетные часы (15:00). Итак, на Kaggle был задан интересный вопрос: влияет ли погода каким-либо образом на множитель всплеска? В частности, какую роль..
Я не мог понять следующие два отрывка из статьи.
Я не мог понять следующие два отрывка из статьи. Они упоминают использование BiLSTM вместо LSTM? Как два LM были включены в архитектуру?
Двунаправленная языковая модель:
Как и в существующих работах (Peters et al., 2017, 2018), мы не ограничиваемся тонкой настройкой однонаправленной языковой модели. Для всех наших экспериментов мы предварительно обучаем как прямой, так и обратный LM. Мы независимо настраиваем классификатор для каждого LM, используя BPT3C, и усредняем прогнозы..
Введение в машинное обучение
Руководство по машинному обучению для начинающих
Машинное обучение - очень знакомое слово в мире технологий. Это одна из самых интересных областей информатики. Но для новичка это слово не будет так много значить. Итак, чтобы начать путь к машинному обучению (ML), давайте сначала узнаем, что такое ML и что с ним можно сделать.
Что такое машинное обучение (ML)?
Искусственный интеллект или ИИ в основном делится на две большие области: Машинное обучение и Искусственные..
Прогноз звездной классификации
Машинное обучение для домашнего задания аналитика данных
Классификация
Набор данных звездной классификации
загрузить набор данных
library (tidyverse)
## -- Attaching packages --------------------------------------- tidyverse 1.3.1 --
## v ggplot2 3.3.5 v purrr 0.3.4
## v tibble 3.1.6 v dplyr 1.0.8
## v tidyr 1.2.0 v stringr 1.4.0
## v readr 2.1.2 v forcats 0.5.1
## -- Conflicts ------------------------------------------..
Прогноз выживания при катастрофе на Титанике с помощью ROC AUC Score 90+ и методологии CRISP-DM
Привет всем, где бы вы ни были, надеюсь, вы все здоровы. Пользуясь случаем, хочу поделиться своим опытом прогнозирования состояния безопасности пассажиров титанической трагедии на основе титанического набора данных с https://www.kaggle.com/competitions/titanic/data .
В этом проекте я использую методологию CRISP-DM (Cross Standard Industry Process for Data Mining).
1. Деловое понимание
Бизнес-цель: Предсказать, сколько пассажиров выживет после трагедии Титаника. Цель модели:..
ПРОЕКТ КЛАССИФИКАЦИИ — ПРОГНОЗИРОВАНИЕ ОТТОКА КЛИЕНТОВ
Отток клиентов – одна из самых больших статей расходов любой организации. Отток клиентов, также известный как отток клиентов или оборот клиентов, – это процент клиентов, которые перестали использовать продукт или услугу вашей компании в течение определенного периода времени. Например, если вы начали год с 500 клиентов, но позже закончилось с 480 клиентами, процент ушедших клиентов будет 4%. Если бы мы могли выяснить, почему клиент уходит и когда он уходит с разумной точностью,..
Раскрытие возможностей классификации и регрессии в машинном обучении
В динамичном ландшафте современных технологий, где инновации являются нормой, а данные текут подобно постоянно расширяющейся реке, машинное обучение выступает маяком трансформации. По своей сути машинное обучение позволяет компьютерам разгадывать сложные закономерности, извлекать ценную информацию из обширных наборов данных и, в конечном счете, принимать разумные решения. Среди арсенала инструментов, предоставляемых машинным обучением, особенно ярко выделяются две методики: классификация и..