Публикации по теме 'artificial-intelligence'
Крис Мессина: Чему машинное обучение может научиться у керлинга
Это похоже на «керлинг , — сказал Крис Мессина, имея в виду вид спорта, в котором большой, сплющенный объект, похожий на шар для боулинга — камень , толкают по ледяной дорожке к цели, в то время как подметальные машины лихорадочно чистят лед метлами. и влияют на то, насколько близко камень подходит к цели. Для меня это что-то вроде машинного обучения. Вы отправляете эту систему по пути с кучей входных данных, и вы не знаете, чем это закончится, насколько близко она подойдет к цели ...
ПРОГНОЗ НАЛОГА НА ДОМА С ИСПОЛЬЗОВАНИЕМ RANDOM FOREST — ДАННЫЕ О ЖИЛИЩНОМ ОБЪЕКТЕ БОСТОНА — С ИСХОДНЫМ КОДОМ
В этом блоге мы будем выполнять прогнозирование налога на дом с использованием алгоритма случайного леса. Для решения этой задачи мы будем использовать очень известные данные о жилье в Бостоне. Так что без лишних слов.
Полную статью с исходным кодом читайте здесь — https://machinelearningprojects.net/house-tax-prediction/
Давай сделаем это…
Шаг 1 — Импорт необходимых пакетов.
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from..
Путешествие во вселенную графического машинного обучения: мотивация, приложения, наборы данных, библиотеки ...
РЕЗЮМЕ
В этом блоге мы глубоко погружаемся во вселенную графического машинного обучения, начиная с личной сути того, как я узнал об этой захватывающей области, а затем немного о мотивации графов, то есть о том, насколько важна структура данных графа, после чего мы увидим некоторые приложения. графического машинного обучения в различных областях как с точки зрения академических кругов, так и с точки зрения промышленности. Затем я также расскажу о недавнем тесте Open Graph Benchmark:..
Маркировка части речи
Современные подходы к обработке естественного языка предлагают оптимизацию процесса анализа документов за счет упрощения .
Проще говоря, существует тенденция отбрасывать сложные вещи (например, понимание содержания) в пользу более прямых методов, таких как просмотр слов, частота их появления в документах, какие другие слова появляются рядом с ними или где-то еще в том же документе; такая статистическая информация собирается и тщательно оптимизируется на этапе, который в машинном..
Автоматизируйте разработку функций временных рядов в нескольких строках кода Python
Извлеките сотни соответствующих функций для вашего варианта использования временных рядов
Данные временных рядов многократно фиксируют значение переменной с течением времени, что приводит к ряду точек данных, индексированных во временном порядке. Во временных рядах данные имеют естественный временной порядок, т. е. значение переменной в определенное время зависит от прошлых значений.
Традиционные алгоритмы машинного обучения не предназначены для фиксации временного порядка данных..
Варианты использования машинного обучения в здравоохранении
Машинное обучение (ML) быстро превратилось в одну из самых революционных технологий в здравоохранении. Он может революционизировать способы оказания медицинской помощи за счет повышения точности, снижения затрат и повышения эффективности, а также во многих других отношениях.
В этом блоге мы обсудим некоторые из наиболее перспективных вариантов использования машинного обучения в здравоохранении.
1. Медицинская визуализация
Начиная с самого очевидного применения систем машинного..
Последние обновления по генерации графа сцены, часть 9 (машинное обучение)
SG-Shuffle: многоаспектный преобразователь в случайном порядке для создания графа сцены (arXiv)
Автор: Ан Дык Буй , Соён Карен Хан , Джосия Пун .
Аннотация: Генерация графа сцены (SGG) обеспечивает всестороннее представление изображений для человеческого понимания, а также задач визуального понимания. Из-за проблемы смещения длинных хвостов меток объектов и предикатов в доступных аннотированных данных граф сцены, созданный с использованием текущих методологий, может быть смещен в..
