📌Метрики в машинном обучении: понимание, применaение и интерпретация

Годная статья о метриках в Machine Learning.

Разбираются:
⏩Accuracy, Confusion Matrix, Precision, Recall, F1-мера, ROC-AUC, Log Loss — для задач классификации

⏩MSE, RMSE, R², MAE, MAPE, SMAPE, WAPE, RMSLE — для задач регрессии

📎 Статья

@data_analysis_ml

🔥 Британская компания создаст лазерную систему контроля плазмы для термоядерных реакторов будущего

*️⃣Британская компания Tokamak Energy заявила, что разрабатывает новую технологию лазерных измерений, которая имеет решающее значение для контроля экстремальных условий внутри реакторов будущих термоядерных электростанций и доставки чистой энергии в сеть. Для этого плазменный жгут должен оставаться стабильным, что при рабочих температурах свыше 100 млн градусов так просто не проверить.

*️⃣Контролировать качество плазмы в реакторе — её плотность и температуру — предложено с помощью новой лазерной системы дисперсионного интерферометра. Сейчас она работает на испытательном стенде в штаб-квартире Tokamak Energy в Оксфорде, прежде чем позже в этом году будет установлена на прототипе сферического термоядерного реактора компании — установке ST40.

*️⃣В прошлом году компания Tokamak Energy успешно ввела в эксплуатацию на установке ST40 лазерную диагностику на эффекте томсоновского рассеяния для получения подробных показаний температуры и плотности плазмы в определенных местах. В дополнение к этому новая система дисперсионного интерферометра будет определять среднюю плотность по всему плазменному жгуту. Компания утверждает, что это будет простой, надёжный и безотказный способ контроля качества плазмы в реакторе, который обязательно найдёт применение в будущих электростанциях.

📎 Читать подробнее

@data_analysis_ml

📌Создание веб-приложения для регрессионного анализа с нуля на Python

⏩Это приложение позволяет строить модель множественной линейной регрессии на основе набора данных.
В процессе используются библиотеки Pandas, Matplotlib, Numpy, Streamlit.
Параллельно затрагивается много важных аспектов, например, чтение данных из Excel, даже немного о работе с CSS.
Обсуждаются разные аспекты, связанные с анализом данных и Data Science.

⏩Отличная возможность прокачать скиллы создания DataScience-приложений; как вариант продемонстрировать этот пет-проект потенциальному работодателю

📎 Подробный кликабельный план ролика
📎 Ролик

@data_analysis_ml

🌟 Максимально наглядное объяснение Machine Learning

⏩Зацените — сайт, посвящённый ML, который сплошь состоит из схем и диаграмм.
Здесь супер доступно и понятно описываются основные темы Машинного обучения, уж теперь то станет понятно абсолютно всё

🌟 Наслаждайтесь)

@data_analysis_ml

📌Годная шпаргалка по R для специалиста Data Science

⏩Не так часто я упоминаю R в постах, а ведь это прекрасный инструмент, знание которого поможет там, где не справляется Python, Julia и другие ребята

⏩Итак, с помощью R можно:
— Очистить и обработать данные. Например, для обработки массива информации о популярности разных товаров на R можно написать программу, которая сгруппирует данные о покупках по товарам, удалит дубли и подготовит таблицу для дальнейшей аналитики.

— Провести статистический тест. Посчитать среднюю продолжительность и увидеть, есть ли статистически значимая разница между несколькими показателями.

— Объединять данные из разных таблиц. Взять таблицы разных форматов, собрать из них данные и обрабатывать все как единый файл.

— Отрисовать интерактивный график. Распределить данные, отрегулировать параметры.

— Анализировать регрессионные модели. Выявить отношения между переменными — например, как доход магазина зависит от разных факторов.

— Провести другую математическую операцию. Объединить многомерные массивы, спрогнозировать величину, распознать текст. Для большинства задач есть готовые библиотеки, либо можно написать собственный код, используя широкий математический инструментарий.

⏩А вот держите годную шпаргалку по R)

@data_analysis_ml