📌 Изучение различных моделей машинного обучения (MLM): применение, плюсы и минусы

Модели машинного обучения – это математические алгоритмы, которые позволяют компьютерам учиться и совершенствоваться на основе данных без явного программирования.

Машинное обучение – это подмножество искусственного интеллекта, и оно используется для анализа больших наборов данных и составления прогнозов.

Существует много различных типов моделей машинного обучения, каждая из которых имеет свои сильные и слабые стороны. В этой статье мы рассмотрим наиболее распространённые модели машинного обучения и их применение, плюсы и минусы.

▪Читать дальше

@machinelearning_ru

Try Redis — тренажёр по БД

Redis — это быстрое хранилище данных класса NoSQL, которое хранит и работает с данными типа «ключ — значение». Данная БД известна своей высокой производительностью, простотой и универсальностью.

А потренироваться в использовании вам поможет тренажёр Try Redis, который может генерировать запросы:

https://try.redis.io/

#redis
@machinelearning_ru

📕 Название: Pandas for Everyone: Python Data Analysis, 2nd Edition (2023)
Автор: Daniel Chen

Описание: В этой книге собраны практические знания и идеи для решения реальных проблем с помощью Pandas, даже если вы новичок в анализе данных на языке Python. Автор знакомит с ключевыми понятиями на простых, но практических примерах, постепенно развивая их для решения более сложных, реальных проблем науки о данных, таких как использование регуляризации для предотвращения чрезмерной подгонки данных или когда использовать методы машинного обучения без контроля для поиска основной структуры в наборе данных.

📚 Книга

@machinelearning_ru

🔍 Библиотеки Data Science, которые заслуживают гораздо большего внимания

В то время как большие ребята, Pandas, Scikit-learn, NumPy, Matplotlib, TensorFlow и т.д., занимают всё ваше внимание, легко пропустить некоторые простые и в то же время невероятные библиотеки.

Возможно, они не рок-звёзды GitHub и не обучаются по дорогим специализациям Coursera, но тысячи разработчиков вкладывают свою кровь и пот в их написание. Они незаметно заполняют пробелы, оставленные популярными библиотеками из тени.

Цель этой статьи – пролить свет на некоторые из этих библиотек и вместе удивиться тому, насколько мощным может быть сообщество разработчиков с открытым исходным кодом.

▪Читать

@machinelearning_ru

Узнайте, как ChatGPT-3 выводит анализ настроений на новый уровень в Python

Анализ настроений распознаёт и извлекает из текста субъективные знания, такие как мнения, эмоции и отношения. Он имеет широкое применение в различных областях, от исследования рынка и анализа отзывов клиентов до мониторинга социальных сетей и политических опросов.

Однако традиционные методы анализа настроений часто необходимо пересматривать, чтобы понять нюансы языка и сложности человеческих эмоций. Вот где GPT-3 , одна из последних и самых мощных моделей обработки естественного языка, вступает в игру.

Читать

@machinelearning_ru

Хватит записываться на скучные курсы! Самостоятельно изучите Sci-kit Learn с помощью ChatGPT!

Теперь мы все начинаем изучать Data Science и машинное обучение, записываясь на онлайн-курсы.

Признаюсь, некоторые из них действительно помогают в процессе обучения. Тем не менее, многие из них стали бесполезными после выпуска ChatGPT. Только представьте, что Искусственный Интеллект может помогать вам учиться абсолютно бесплатно... К тому же вы сможете сами составить программу обучения и выбрать методы, по которым будете учиться!

▪ Читать

@machinelearning_ru

This New AI Is The Future of Videomaking!

Runway обещают через пару недель выкатить новые фичи связанные с текстовой генерацией и редактированием видео в открытый доступ на своём сайте.

https://www.youtube.com/watch?v=muNkPjigQEE

статья: https://arxiv.org/abs/2302.03011

демо: https://runwayml.com/

@machinelearning_ru

5 признаков того, что вы стали продвинутым пользователем Pandas, даже не осознавая этого

Ловите ли вы себя на мысли о том, что мечтаете о фреймах и сериях данных Pandas? Проводите ли вы часы подряд, выполняя сложные манипуляции и агрегации, едва замечая боль в спине и всё время думая: “как же это интересно”?

Что ж, с таким успехом вы могли бы быть продвинутым пользователем Pandas, даже не осознавая этого. Присоединяйтесь к клубу поклонников Pandas, которые достигли этого редкого уровня, и примите тот факт, что вы официально являетесь мастером обработки данных.

Итак, давайте взглянем на пять признаков того, что вы уже состоите в этом клубе.

Читать

@pro_python_code

Код для бстрого разложение данных высокой размерности.

Если вы хотите разложить данные высокой размерности на два или три измерения для их визуализации, что мы чаще делаем?

Распространенной техникой является PCA. Несмотря на полезность PCA, я всегда считал сложным создание графика PCA, пока не нашел эту документ в Yellowbrick.

Я рекомендую использовать этот инструмент, если вы хотите визуализировать PCA с помощью нескольких строк кода

from yellowbrick.datasets import load_credit
from yellowbrick.features import PCA

# Specify the features of interest and the target
X, y = load_credit()
classes = ['account in default', 'current with bills']

visualizer = PCA(scale=True, classes=classes)
visualizer.fit_transform(X, y)
visualizer.show()

https://www.scikit-yb.org/en/latest/api/features/pca.html

@machinelearning_ru