💥 Архив из 32 датасетов, которые вы можете использовать для практики и совершенствования своих навыков исследователя данных
https://datasciencedojo.com/blog/datasets-data-science-skills
https://datasciencedojo.com/blog/datasets-data-science-skills
Data Science Dojo
Dataset Boost: 32 Resources for Data Science Skills
Data Science Dojo has created an archive of 32 datasets for you to use to practice and improve your skills as a data scientist.
Коллекция статей, наборов данных, кода и других ресурсов, посвященных отслеживанию и обнаружению объектов с помощью глубокого обучения.
🔗 https://github.com/abhineet123/Deep-Learning-for-Tracking-and-Detection
Please open Telegram to view this post
VIEW IN TELEGRAM
GitHub
GitHub - abhineet123/Deep-Learning-for-Tracking-and-Detection: Collection of papers, datasets, code and other resources for object…
Collection of papers, datasets, code and other resources for object tracking and detection using deep learning - abhineet123/Deep-Learning-for-Tracking-and-Detection
❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_180
🔠 Какие есть преимущества и недостатки у авто-регрессионной модели (AR) ?
Преимущества:
- Хорошо работает для данных с автокорреляцией, когда значения в прошлом влияют на значения в будущем.
- Относительно проста в интерпретации.
Недостатки:
- Не учитывает другие факторы, которые могут влиять на временной ряд, такие как тренды и сезонность.
- Могут быть неэффективными для данных без явной автокорреляции.
https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.
#time_series #AR_model #MA_model #autoregressive_model #moving_average_model #forecasting
🔠 Какие есть преимущества и недостатки у авто-регрессионной модели (AR) ?
Преимущества:
- Хорошо работает для данных с автокорреляцией, когда значения в прошлом влияют на значения в будущем.
- Относительно проста в интерпретации.
Недостатки:
- Не учитывает другие факторы, которые могут влиять на временной ряд, такие как тренды и сезонность.
- Могут быть неэффективными для данных без явной автокорреляции.
https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.
#time_series #AR_model #MA_model #autoregressive_model #moving_average_model #forecasting
❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_181
🔠 Какие есть преимущества и недостатки у cкользящей средней модели (MA) ?
Преимущества:
- Хорошо работает для данных с случайными ошибками и шумом.
- Может быть эффективна для сглаживания временных рядов.
Недостатки:
- Не учитывает автокорреляцию или зависимость от предыдущих значений ряда.
- Может быть неэффективна для данных с явными трендами или сезонностью.
https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.
#time_series #AR_model #MA_model #autoregressive_model #moving_average_model #forecasting
🔠 Какие есть преимущества и недостатки у cкользящей средней модели (MA) ?
Преимущества:
- Хорошо работает для данных с случайными ошибками и шумом.
- Может быть эффективна для сглаживания временных рядов.
Недостатки:
- Не учитывает автокорреляцию или зависимость от предыдущих значений ряда.
- Может быть неэффективна для данных с явными трендами или сезонностью.
https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.
#time_series #AR_model #MA_model #autoregressive_model #moving_average_model #forecasting
❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_182
🔠 Какие есть преимущества и недостатки у авторегрессионной скользящая средней модели (ARMA) ?
Преимущества:
- Комбинирует преимущества AR- и MA-моделей для учета автокорреляции и случайных ошибок.
- Может быть эффективна для данных с различными шаблонами автокорреляции.
Недостатки:
- Подбор параметров модели может быть сложным.
- Может быть неэффективна для данных с сезонностью или нелинейными зависимостями.
https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.
#time_series #AR_model #MA_model #autoregressive_model #moving_average_model #forecasting
🔠 Какие есть преимущества и недостатки у авторегрессионной скользящая средней модели (ARMA) ?
Преимущества:
- Комбинирует преимущества AR- и MA-моделей для учета автокорреляции и случайных ошибок.
- Может быть эффективна для данных с различными шаблонами автокорреляции.
Недостатки:
- Подбор параметров модели может быть сложным.
- Может быть неэффективна для данных с сезонностью или нелинейными зависимостями.
https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.
#time_series #AR_model #MA_model #autoregressive_model #moving_average_model #forecasting
❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_182
🔠 Какие есть преимущества и недостатки у авторегрессионной интегрированной скользящая средней модели (ARIMA) ?
Преимущества:
- Учитывает тренды и сезонность в данных.
- Может быть эффективна для широкого спектра временных рядов.
Недостатки:
- Подбор параметров модели может быть сложным.
- Может быть неэффективна для данных с нелинейными зависимостями или сложными сезонными паттернами.
https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.
#time_series #AR_model #MA_model #autoregressive_model #moving_average_model #forecasting
🔠 Какие есть преимущества и недостатки у авторегрессионной интегрированной скользящая средней модели (ARIMA) ?
Преимущества:
- Учитывает тренды и сезонность в данных.
- Может быть эффективна для широкого спектра временных рядов.
Недостатки:
- Подбор параметров модели может быть сложным.
- Может быть неэффективна для данных с нелинейными зависимостями или сложными сезонными паттернами.
https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.
#time_series #AR_model #MA_model #autoregressive_model #moving_average_model #forecasting
https://github.com/influxdata/influxdb - InfluxDB - это масштабируемое хранилище данных для метрик, событий и аналитики в реальном времени. Этот репозиторий содержит исходный код, документацию, проблемы (issues), запросы на включение изменений (pull requests) и другую информацию, связанную с разработкой и поддержкой InfluxDB.
GitHub
GitHub - influxdata/influxdb: Scalable datastore for metrics, events, and real-time analytics
Scalable datastore for metrics, events, and real-time analytics - influxdata/influxdb
https://arxiv.org/pdf/2401.02287.pdf
1/ Представляется новая технология обратной дистилляции для решения конкретной задачи обнаружения дефектов ткани.
2/ Проверка узорчатых текстур, особенно в контексте обнаружения дефектов ткани, является широко распространенным вариантом использования.
3/ Основными вкладами документа являются надежный детектор текстурных аномалий, подходящий для обнаружения аномалий и обобщения предметной области, а также создание нового набора данных, охватывающего широкий спектр тканей и дефектов.
1/ Представляется новая технология обратной дистилляции для решения конкретной задачи обнаружения дефектов ткани.
2/ Проверка узорчатых текстур, особенно в контексте обнаружения дефектов ткани, является широко распространенным вариантом использования.
3/ Основными вкладами документа являются надежный детектор текстурных аномалий, подходящий для обнаружения аномалий и обобщения предметной области, а также создание нового набора данных, охватывающего широкий спектр тканей и дефектов.
https://arxiv.org/pdf/2401.01960.pdf - Shadow
Blade, инструмент, помогающий пользователям взаимодействовать с векторами атак.
Blade, инструмент, помогающий пользователям взаимодействовать с векторами атак.
https://trends.rbc.ru/trends/industry/657963559a79474dd4bc9b88?from=copy - тренды ИИ на следующие 5 лет, по моим прогнозам, здесь можно смело закладывать на следующие 10 лет это точно, с учетом, того как все стремительно развивается и растет как на дрожах.
Только OpenAI показала капитализацию, с момента своего открытия, до текущего дня в 5400%. Есть только один ньюанс, чем сложнее система, тем больше в ней уязвимостей и тем больше в ней непредсказуемых вещей (читай на грузка на безопасность). Это первое и второе, смещение потребления контента начнется в сторону технологических данных (цифры и графики), так как видео, звук, и тексты все будет сгенерировано (кем-то заказано, мы это и сейчас видим, но масштабы будут расти).
Крупные масс-медиа столкнуться с резкой потерей пользователей, которые будут стремится к получению достоверной информации. Нас ждем смена ориентиров и переосмысления реальности в самом ее широком смысле. Это будет шоковая терапия для всего населения, масштабы будут глобальные. Как положительные так и отрицательные.
Только OpenAI показала капитализацию, с момента своего открытия, до текущего дня в 5400%. Есть только один ньюанс, чем сложнее система, тем больше в ней уязвимостей и тем больше в ней непредсказуемых вещей (читай на грузка на безопасность). Это первое и второе, смещение потребления контента начнется в сторону технологических данных (цифры и графики), так как видео, звук, и тексты все будет сгенерировано (кем-то заказано, мы это и сейчас видим, но масштабы будут расти).
Крупные масс-медиа столкнуться с резкой потерей пользователей, которые будут стремится к получению достоверной информации. Нас ждем смена ориентиров и переосмысления реальности в самом ее широком смысле. Это будет шоковая терапия для всего населения, масштабы будут глобальные. Как положительные так и отрицательные.
РБК Тренды
Искусственный интеллект в цифрах и фактах
«РБК Тренды» собрали наиболее актуальную статистику и прогнозы развития ИИ и будущего глобальных нейросетей
https://www.youtube.com/watch?v=adDyTzBdUcg - генерация становится не просто быстро она становится молниеносной, чтож... эра потоковой генерации контента уже наступила, причем не заранее написанной, а вещаемой в онлайне.
YouTube
SDXL Turbo
Enjoy the videos and music you love, upload original content, and share it all with friends, family, and the world on YouTube.
https://tryolabs.com/blog/2023/02/08/top-5-tips-to-make-your-pandas-code-absurdly-fast - Очень крутая статья, как сделать Pandas просто реактивным, сейчас погружусь в тесты интересно переплюнет ли он polars. ))
Tryolabs
Top 5 tips to make your pandas code absurdly fast
Learn how to optimize your pandas code for large datasets with these top five tips. From vectorizing operations to embracing NumPy, our expert advice will help you get the most out of your pandas workflow.
❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_183
Сезонная ARIMA (SARIMA):
Преимущества:
- Учитывает как общую структуру ряда, так и сезонные паттерны.
- Может быть эффективна для данных с явно выраженной сезонностью.
Недостатки:
- Подбор параметров модели может быть сложным и требовать больше данных.
- Может быть неэффективна для данных без сезонности.
https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.
#time_series #AR_model #MA_model #autoregressive_model #moving_average_model #forecasting
Сезонная ARIMA (SARIMA):
Преимущества:
- Учитывает как общую структуру ряда, так и сезонные паттерны.
- Может быть эффективна для данных с явно выраженной сезонностью.
Недостатки:
- Подбор параметров модели может быть сложным и требовать больше данных.
- Может быть неэффективна для данных без сезонности.
https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.
#time_series #AR_model #MA_model #autoregressive_model #moving_average_model #forecasting
Please open Telegram to view this post
VIEW IN TELEGRAM
❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_184
🔠 Какие есть преимущества и недостатки у экспоненциального сглаживания ?
Преимущества:
- Проста в реализации и интерпретации.
- Может быть эффективна для данных с трендами и сезонностью.
Недостатки:
- Не учитывает сложные зависимости и нелинейности в данных.
- Может быть неэффективна для данных с быстро меняющимися трендами или большими выбросами.
https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.
#time_series #AR_model #MA_model #autoregressive_model #moving_average_model #forecasting
🔠 Какие есть преимущества и недостатки у экспоненциального сглаживания ?
Преимущества:
- Проста в реализации и интерпретации.
- Может быть эффективна для данных с трендами и сезонностью.
Недостатки:
- Не учитывает сложные зависимости и нелинейности в данных.
- Может быть неэффективна для данных с быстро меняющимися трендами или большими выбросами.
https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.
#time_series #AR_model #MA_model #autoregressive_model #moving_average_model #forecasting
Ситуация все больше напоминает вот этот ролик: https://www.youtube.com/watch?v=7pd1wZa-kgk
Ждемс...
Please open Telegram to view this post
VIEW IN TELEGRAM
YouTube
Страх и Ненависть в Лас Вегасе (1998) Концовка Гоблин
Страх и Отвращение в Лас Вегасе финальный монолог в переводе Дмитрия Пучкова
❤3
❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_185
🔠 Какие есть преимущества и недостатки у структурные временные ряды ?
Преимущества:
- Учитывает различные компоненты временного ряда, включая тренды, сезонность и внешние факторы.
- Может быть эффективна для сложных временных рядов с несколькими компонентами.
Недостатки:
- Требует дополнительной информации о внешних факторах и их влиянии на ряд.
- Подбор параметров модели может быть сложным и требовать экспертных знаний.
https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.
#time_series #AR_model #MA_model #autoregressive_model #moving_average_model #forecasting
🔠 Какие есть преимущества и недостатки у структурные временные ряды ?
Преимущества:
- Учитывает различные компоненты временного ряда, включая тренды, сезонность и внешние факторы.
- Может быть эффективна для сложных временных рядов с несколькими компонентами.
Недостатки:
- Требует дополнительной информации о внешних факторах и их влиянии на ряд.
- Подбор параметров модели может быть сложным и требовать экспертных знаний.
https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.
#time_series #AR_model #MA_model #autoregressive_model #moving_average_model #forecasting
❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_186
🔠 Какие есть преимущества и недостатки у моделей глубокого обучения ?
Преимущества:
- Способны улавливать сложные зависимости и нелинейности в данных.
- Могут быть эффективны для больших объемов данных и сложных временных рядов.
Недостатки:
- Требуют большого объема данных для обучения.
- Могут быть вычислительно сложными и требовать мощности вычислительных ресурсов.
https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.
#time_series #AR_model #MA_model #autoregressive_model #moving_average_model #forecasting
🔠 Какие есть преимущества и недостатки у моделей глубокого обучения ?
Преимущества:
- Способны улавливать сложные зависимости и нелинейности в данных.
- Могут быть эффективны для больших объемов данных и сложных временных рядов.
Недостатки:
- Требуют большого объема данных для обучения.
- Могут быть вычислительно сложными и требовать мощности вычислительных ресурсов.
https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.
#time_series #AR_model #MA_model #autoregressive_model #moving_average_model #forecasting