Публикации по теме 'data-science'
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..
Как далеко мы продвинулись с оценкой плотности ядра, часть 2 (машинное обучение)
Субквадратичные алгоритмы для матриц ядра с помощью оценки плотности ядра (arXiv)
Автор: Айнеш Бакши , Петр Индик , Пранит Качам , Сандип Силвал , Самсон Чжоу .
Аннотация: Матрицы ядра, а также представляемые ими взвешенные графы являются повсеместными объектами в машинном обучении, статистике и других смежных областях. Основным недостатком использования методов ядра (обучения и вывода с использованием матриц ядра) является эффективность — при наличии n входных точек..
Кредитный скоринг — Применяется к логистической регрессии в R
Выявление факторов, влияющих на риск дефолта
Финансовые учреждения вкладывают большие средства в построение моделей анализа кредитного риска для определения вероятности дефолта потенциального заемщика. Модели предоставляют информацию об уровне кредитного риска заемщика в данный момент времени.
И одним из наиболее широко используемых статистических методов для построения модели анализа кредитного риска является логистическая регрессия , в которой зависимая переменная используется как..
Демистификация глубокого обучения на Android
Недавно я читал на Reddit сообщение «Как разработать приложение для Android с использованием глубокого обучения». Честно говоря, пост действительно не имел для меня смысла, так как он слишком расплывчатый. Но что было интересно увидеть, так это то, что пост был в тренде, и многие люди хотели понять, как можно разработать классное приложение для Android с нейронными сетями, и это стало моей мотивацией написать этот пост. Итак, в этом посте я пошагово расскажу, как запустить нейронную..
Как смоделировать множественную сезонность во временном ряду
Обработка сезонных эффектов за несколько периодов
В этой статье вы узнаете, как моделировать множественную сезонность во временных рядах. Мы рассмотрим:
Как разложить временной ряд с помощью MSTL Создание независимых переменных, отражающих сложную сезонность Использование готовых методов на примере пакета прогнозирования orbit .
Сложная сезонность
Сезонность относится к систематическим изменениям, которые повторяются с определенной периодичностью . Эти закономерности..
Веб-приложение для интерактивного исследования данных с использованием Streamlit (самый быстрый способ создания машинного обучения…
Исследование данных с помощью интерактивных фильтров было проблемой для разработчиков Python до выпуска этой удивительной платформы приложений под названием Streamlit . С момента выпуска этой чудо-инфраструктуры процесс изучения данных, создания веб-приложений и развертывания моделей машинного обучения стал очень простым с помощью нескольких строк кода Python путем выполнения вызовов API к Streamlit.
В этом сообщении блога я расскажу вам о веб-приложении, которое я создал для изучения..
Полное руководство Pandas для начала вашей карьеры в науке о данных
Функции Pandas, используемые для манипулирования данными, предварительной обработки и обработки
В этой статье я соберу все отдельные статьи из моей серии — «Функции Pandas, которые должен знать каждый Data Scientist». Для тех, кто прочитал все статьи, ничего нового не будет. После окончания каждой серии я сделаю статью, в которой все подытожу! Без лишних слов давайте погрузимся в мир панд. 😊
Первое, что нам нужно сделать, это импортировать набор данных, который мы используем для..
