В чем разница между «обучением с учителем» (supervised) и «обучением без учителя» (unsupervised).
Supervised подразумевает обучение модели на данных, для которых известны ответы, то есть каждый пример в обучающем наборе имеет соответствующую метку или целевую переменную. Одной из задач обучения с учителем является классификация, где модель учится различать объекты разных классов. Это может пригодиться, например, при определении спама в электронной почте.
Unsupervised используется, когда у нас нет меток и мы хотим обнаружить скрытые закономерности в данных. Пример задачи обучения без учителя — кластеризация, где модель группирует данные на основе сходства. Это может пригодиться, например, при сегментации аудитории для маркетинговых целей.
Выбор между supervised и unsupervised зависит от конкретной задачи и наличия/отсутствия размеченных данных.
Supervised подразумевает обучение модели на данных, для которых известны ответы, то есть каждый пример в обучающем наборе имеет соответствующую метку или целевую переменную. Одной из задач обучения с учителем является классификация, где модель учится различать объекты разных классов. Это может пригодиться, например, при определении спама в электронной почте.
Unsupervised используется, когда у нас нет меток и мы хотим обнаружить скрытые закономерности в данных. Пример задачи обучения без учителя — кластеризация, где модель группирует данные на основе сходства. Это может пригодиться, например, при сегментации аудитории для маркетинговых целей.
Выбор между supervised и unsupervised зависит от конкретной задачи и наличия/отсутствия размеченных данных.
🌟 Приоритизация задач по методу MoSCoW: как за 5 минут научиться грамотно расставлять приоритеты
Читать статью
Читать статью
⚡ Интервью со студентом курса «Алгоритмы и структуры данных»
Илья Ярлычев – Regular Java developer.
Почему ты решил пойти учиться?
– Мое образование хоть и связано с вычислительной техникой, но больше хотелось академического курса для программистов. Моей цели курс полностью соответствовал.
Что тебе больше всего понравилось на курсе?
– В целом все понравилось. Все основные темы были затронуты, которые мне были нужны.
Как ты оцениваешь свой уровень знаний до начала обучения? Может ты уже знал какие-то темы или начинал все с нуля?
– До обучения уровень знаний – 5, после обучения 7, но я еще прошел не весь курс.
Дай общую оценку от 1 до 10 нашему курсу: с какой вероятностью ты бы порекомендовал его друзьям?
– Порекомендовал бы на 10 из 10. Мне все понравилось. Считаю, что это лучший курс по алгоритмам на русском языке, который мне встречался.
Помог ли тебе наш курс в достижении этих целей?
– Да. Я успел прособеседоваться на несколько крупных проектов. Теперь техничение собеседования – это моя сильная сторона, hr подмечали это.
Если вы также хотите преуспеть на техническом собеседовании, то переходите на сайт и оставляйте заявку на курс «Алгоритмы и структуры данных» со скидкой 50% и получите курс по ML в подарок – https://proglib.io/w/d4544dc5
Илья Ярлычев – Regular Java developer.
Почему ты решил пойти учиться?
– Мое образование хоть и связано с вычислительной техникой, но больше хотелось академического курса для программистов. Моей цели курс полностью соответствовал.
Что тебе больше всего понравилось на курсе?
– В целом все понравилось. Все основные темы были затронуты, которые мне были нужны.
Как ты оцениваешь свой уровень знаний до начала обучения? Может ты уже знал какие-то темы или начинал все с нуля?
– До обучения уровень знаний – 5, после обучения 7, но я еще прошел не весь курс.
Дай общую оценку от 1 до 10 нашему курсу: с какой вероятностью ты бы порекомендовал его друзьям?
– Порекомендовал бы на 10 из 10. Мне все понравилось. Считаю, что это лучший курс по алгоритмам на русском языке, который мне встречался.
Помог ли тебе наш курс в достижении этих целей?
– Да. Я успел прособеседоваться на несколько крупных проектов. Теперь техничение собеседования – это моя сильная сторона, hr подмечали это.
Если вы также хотите преуспеть на техническом собеседовании, то переходите на сайт и оставляйте заявку на курс «Алгоритмы и структуры данных» со скидкой 50% и получите курс по ML в подарок – https://proglib.io/w/d4544dc5
Forwarded from Библиотека программиста | программирование, кодинг, разработка
🏆 Самые популярные языки программирования 2023
Популярность ЯП зависит от нескольких факторов. Мы разобрались с ними, составили сводный рейтинг и обсудили особенности, преимущества, недостатки и причины популярности каждого языка. Заходите и читайте👇
🔗 Читать статью
🔗 Зеркало
Популярность ЯП зависит от нескольких факторов. Мы разобрались с ними, составили сводный рейтинг и обсудили особенности, преимущества, недостатки и причины популярности каждого языка. Заходите и читайте👇
🔗 Читать статью
🔗 Зеркало
Forwarded from Библиотека программиста | программирование, кодинг, разработка
Подборка лучших статей «Библиотеки программиста» за ноябрь: сохраняй в заметки, чтобы не пропустить #самыйсок
🗺️ Дорожная карта Go-разработчика в 2023 году
🧑💻 6 карьерных советов программисту
⚖️ 25 курсов, книг и подкастов для развития критического мышления
🐍🎨 Генерация красивых QR-кодов с помощью Python
🔈16+ лучших нейронок для синтеза речи
⭐ FAQ по трудоустройству: разбираем самые популярные вопросы
👨💻 7 типов «сложных» разработчиков
∞ Дорожная карта DevOps-инженера в 2023 году
❤️🙏 Путь к мечте: как инвалидность не помешала стать разработчиком и продолжить борьбу за здоровье
👀 6 способов привлечь внимание работодателя
🤖📜 Искусственный интеллект: краткая история
🔤 Азбука SQL в примерах (часть 1 + часть 2)
🔢 Как научиться решать сложные задачи
🏆 Самые популярные языки программирования 2023
📰❌ 10 признаков фейковой вакансии
🏃 Самоучитель по Go для начинающих (часть 1 + часть 2)
⚛️ 45 вопросов для подготовки к собеседованию по React
🐍 5 задач для подготовки к собеседованию по Python
🐍🤖✍️ Документирование кода и проектов на Python с помощью ChatGPT
🗺️ Дорожная карта Go-разработчика в 2023 году
🧑💻 6 карьерных советов программисту
⚖️ 25 курсов, книг и подкастов для развития критического мышления
🐍🎨 Генерация красивых QR-кодов с помощью Python
🔈16+ лучших нейронок для синтеза речи
⭐ FAQ по трудоустройству: разбираем самые популярные вопросы
👨💻 7 типов «сложных» разработчиков
∞ Дорожная карта DevOps-инженера в 2023 году
❤️🙏 Путь к мечте: как инвалидность не помешала стать разработчиком и продолжить борьбу за здоровье
👀 6 способов привлечь внимание работодателя
🤖📜 Искусственный интеллект: краткая история
🔤 Азбука SQL в примерах (часть 1 + часть 2)
🔢 Как научиться решать сложные задачи
🏆 Самые популярные языки программирования 2023
📰❌ 10 признаков фейковой вакансии
🏃 Самоучитель по Go для начинающих (часть 1 + часть 2)
⚛️ 45 вопросов для подготовки к собеседованию по React
🐍 5 задач для подготовки к собеседованию по Python
🐍🤖✍️ Документирование кода и проектов на Python с помощью ChatGPT
👍2
🧑💻Графовые нейросети: что это и где используются
Граф позволяет описывать сущности с учётом связей и взаимодействий между ними. У такой структуры данных есть вершины, содержащие сами сущности, и рёбра, содержащие связи между вершинами.
🟡Один из наиболее очевидных примеров графа — социальная сеть. Вершины — пользователи, а рёбра определяют связи между ними.
На графовых данных решается множество задач: от кластеризации до генерации графов с нужными свойствами. Один из подходов к решению задач — использование графовых нейронных сетей (GNN). Вот пример архитектуры:
🟡На вход подаётся граф. У GNN есть слои, которые собирают информацию с соседей и обновляют информацию в вершине. Это похоже на принцип работы свёрточной нейросети, поэтому такие слои называются графовыми свёртками. Они получают на вход граф со скрытыми состояниями у вершин и ребёр и выдают тот же граф с обновлёнными скрытыми состояниями.
GNN можно использовать, например, для создания персонализированных рекомендаций.
Граф позволяет описывать сущности с учётом связей и взаимодействий между ними. У такой структуры данных есть вершины, содержащие сами сущности, и рёбра, содержащие связи между вершинами.
🟡Один из наиболее очевидных примеров графа — социальная сеть. Вершины — пользователи, а рёбра определяют связи между ними.
На графовых данных решается множество задач: от кластеризации до генерации графов с нужными свойствами. Один из подходов к решению задач — использование графовых нейронных сетей (GNN). Вот пример архитектуры:
🟡На вход подаётся граф. У GNN есть слои, которые собирают информацию с соседей и обновляют информацию в вершине. Это похоже на принцип работы свёрточной нейросети, поэтому такие слои называются графовыми свёртками. Они получают на вход граф со скрытыми состояниями у вершин и ребёр и выдают тот же граф с обновлёнными скрытыми состояниями.
GNN можно использовать, например, для создания персонализированных рекомендаций.
👍3
Что такое PyCaret?
PyCaret — это библиотека машинного обучения с открытым исходным кодом и низким уровнем кода для Python, которая автоматизирует рабочие процессы машинного обучения. Она является инструментом для машинного обучения и управления моделями от начала до конца, который ускоряет цикл экспериментов в экспоненциальной степени.
В этом примере мы загружаем набор данных juice и используем его для решения задачи классификации. Мы инициализируем настройки с помощью функции setup, затем сравниваем различные модели с помощью функции compare_models и выбираем наилучшую.
Далее мы создаем модель решающего дерева с помощью функции create_model и настраиваем ее с помощью функции tune_model. Мы также можем оценить модель с помощью функции evaluate_model и использовать ее для прогнозирования на новых данных с помощью функции predict_model.
PyCaret — это библиотека машинного обучения с открытым исходным кодом и низким уровнем кода для Python, которая автоматизирует рабочие процессы машинного обучения. Она является инструментом для машинного обучения и управления моделями от начала до конца, который ускоряет цикл экспериментов в экспоненциальной степени.
В этом примере мы загружаем набор данных juice и используем его для решения задачи классификации. Мы инициализируем настройки с помощью функции setup, затем сравниваем различные модели с помощью функции compare_models и выбираем наилучшую.
Далее мы создаем модель решающего дерева с помощью функции create_model и настраиваем ее с помощью функции tune_model. Мы также можем оценить модель с помощью функции evaluate_model и использовать ее для прогнозирования на новых данных с помощью функции predict_model.
👍2
👀 Внимание всем отважным героям и искателям приключений!
«Библиотеки Программиста» с гордостью представляет новую захватывающую игру — «Битва с Драконом».
Выберите своих персонажей и сразитесь с древним Крылатым Ужасом Бурлопиворогом в эпическом поединке!
Мы предлагаем вам взять под свой контроль хитроумного изобретателя или ловкого вора.
🏆 Победителей ждет почет, уважение и награда!
🤞Итак, кто осмелится бросить вызов Бурлопиворогу? Начните свою «Битву с Драконом» — https://t.iss.one/proglib_game_bot
«Библиотеки Программиста» с гордостью представляет новую захватывающую игру — «Битва с Драконом».
Выберите своих персонажей и сразитесь с древним Крылатым Ужасом Бурлопиворогом в эпическом поединке!
Мы предлагаем вам взять под свой контроль хитроумного изобретателя или ловкого вора.
🏆 Победителей ждет почет, уважение и награда!
🤞Итак, кто осмелится бросить вызов Бурлопиворогу? Начните свою «Битву с Драконом» — https://t.iss.one/proglib_game_bot
👍3❤1🗿1
📰❌ 10 признаков фейковой вакансии
Как понять, что с вакансией что-то не так? Разбираемся в этой статье!
Читать статью
Как понять, что с вакансией что-то не так? Разбираемся в этой статье!
Читать статью
👍4
🤔 Что такое тензоры?
В линейной алгебре есть несколько типов математических объектов:
🔸 Скаляр — просто-напросто одно число.
🔸 Вектор — упорядоченный список чисел. Можно думать о векторе как о чём-то, что определяет место объекта в пространстве: каждый элемент обозначает координату на определённой оси.
🔸 Матрица — может быть представлена как совокупность векторов, которые составляют её строки или столбцы.
🔸 Тензоры же являются обобщением матриц с произвольным количеством измерений.
По сути, скаляр можно назвать тензором нулевого ранга (ранг у тензора — это количество его осей), вектор — тензором первого ранга, матрицу — тензором второго ранга.
🤖 В контексте машинного обучения тензор можно рассматривать как контейнер для данных. Большинство операций в нейронных сетях, например свёртки и пулинг, являются операциями с тензорами. Библиотеки глубокого обучения, такие как TensorFlow и PyTorch, предлагают широкий набор инструментов для эффективного выполнения таких операций.
В линейной алгебре есть несколько типов математических объектов:
🔸 Скаляр — просто-напросто одно число.
🔸 Вектор — упорядоченный список чисел. Можно думать о векторе как о чём-то, что определяет место объекта в пространстве: каждый элемент обозначает координату на определённой оси.
🔸 Матрица — может быть представлена как совокупность векторов, которые составляют её строки или столбцы.
🔸 Тензоры же являются обобщением матриц с произвольным количеством измерений.
По сути, скаляр можно назвать тензором нулевого ранга (ранг у тензора — это количество его осей), вектор — тензором первого ранга, матрицу — тензором второго ранга.
🤖 В контексте машинного обучения тензор можно рассматривать как контейнер для данных. Большинство операций в нейронных сетях, например свёртки и пулинг, являются операциями с тензорами. Библиотеки глубокого обучения, такие как TensorFlow и PyTorch, предлагают широкий набор инструментов для эффективного выполнения таких операций.
👍4
🐍 У нас есть еженедельная email-рассылка, посвященная последним открытиям и тенденциям в мире Python.
В ней:
● Новые возможности в последних версиях Python
● Работа с базами данных и SQL в Python
● Веб-разработка на Django и Flask
● Машинное обучение и анализ данных с помощью Python
● Автоматизация и работа с API на Python
● Тестирование и отладка кода на Python
● Задачи для новичков с решениями
👉Подписаться👈
В ней:
● Новые возможности в последних версиях Python
● Работа с базами данных и SQL в Python
● Веб-разработка на Django и Flask
● Машинное обучение и анализ данных с помощью Python
● Автоматизация и работа с API на Python
● Тестирование и отладка кода на Python
● Задачи для новичков с решениями
👉Подписаться👈
Что такое закон больших чисел и как его используют в Data Science?
Этот закон гласит, что по мере увеличения числа испытаний в случайном эксперименте среднее значение полученных результатов приближается к ожидаемому значению. В статистике он используется для описания взаимосвязи между размером выборки и точностью статистических оценок.
🔢 В Data Science закон больших чисел может использоваться в таких областях, как прогностическое моделирование, оценка рисков и контроль качества. Он помогает гарантировать, что среднее значение результатов большого числа независимых испытаний будет сходиться к ожидаемому значению. Это обеспечивает основу для статистического вывода и проверки гипотез.
Закон больших чисел также подводит к центральной предельной теореме. Она утверждает, что при больших размерах выборок распределение средних этих выборок будет приближаться к нормальному распределению, независимо от формы исходного распределения генеральной совокупности.
#вопросы_с_собеседований
Этот закон гласит, что по мере увеличения числа испытаний в случайном эксперименте среднее значение полученных результатов приближается к ожидаемому значению. В статистике он используется для описания взаимосвязи между размером выборки и точностью статистических оценок.
🔢 В Data Science закон больших чисел может использоваться в таких областях, как прогностическое моделирование, оценка рисков и контроль качества. Он помогает гарантировать, что среднее значение результатов большого числа независимых испытаний будет сходиться к ожидаемому значению. Это обеспечивает основу для статистического вывода и проверки гипотез.
Закон больших чисел также подводит к центральной предельной теореме. Она утверждает, что при больших размерах выборок распределение средних этих выборок будет приближаться к нормальному распределению, независимо от формы исходного распределения генеральной совокупности.
#вопросы_с_собеседований
cheatsheets.pdf
2.8 MB
📈Отличная шпаргалка по библитеке Matplotlib
Что в ней есть:
▫️разные типы графиков,
▫️элементы оформления графиков,
▫️названия всех доступных цветов,
▫️параметры текста,
▫️советы по улучшению производительности.
🔗По этой ссылке находится веб-версия шпаргалки
Что в ней есть:
▫️разные типы графиков,
▫️элементы оформления графиков,
▫️названия всех доступных цветов,
▫️параметры текста,
▫️советы по улучшению производительности.
🔗По этой ссылке находится веб-версия шпаргалки
❤2👍2🔥2
🧩🧠 Тест на сообразительность: 3 захватывающие головоломки, чтобы развлечься и потренировать мозг
Потребуется проявить смекалку и нестандартное мышление, чтобы найти решения за 9 минут.
🔗 Пройти тест
Потребуется проявить смекалку и нестандартное мышление, чтобы найти решения за 9 минут.
🔗 Пройти тест
🐍 5 задач для подготовки к собеседованию по Python
В нашей новой подборке задачи про составление анонимного письма, гипотезу Коллатца, судоку, разработку кэша для операций над ISBN и вычисление интервалов занятости. Можно попробовать сначала решить их самостоятельно, а затем прочесть нашу статью с подробным объяснением и кодом.
🔗Читать статью
В нашей новой подборке задачи про составление анонимного письма, гипотезу Коллатца, судоку, разработку кэша для операций над ISBN и вычисление интервалов занятости. Можно попробовать сначала решить их самостоятельно, а затем прочесть нашу статью с подробным объяснением и кодом.
🔗Читать статью
❤1👍1