Байесовский вывод

Продолжаем делиться циклом видео про машинное обучение. В этот раз автор рассказывает про оптимальный байесовский классификатор, а также наивный байесовский классификатор. Приводится пример задачи классификации наивным байесовским классификатором.

👀Смотреть видео

#видео

Оптимизация Jupyter Notebook

Делимся статьей, где автор рассказывает о возможностях применения параллельных вычислений в интерактивной среде Jupyter Notebook. Параллелизм необходим, так как он ускоряет вычисления, а также позволяет эффективно обрабатывать большие объемы данных.

👉Читать статью

#статьи

dict.fromkeys

Метод fromkeys() создает словарь из заданной последовательности ключей и значений. Параметр alphabets – это ключи, которые могут быть любыми итерациями, такими как строка, набор, список и т. д. Необязательный параметр numbers — это значения, которые могут быть любого типа или любых итераций, таких как строка, набор, список и т. д. Обрати внимание, если значение словаря не указано, ключам присваивается None.

#практика

Рекуррентная нейронная сеть

Продолжаем делиться циклом видео, где автор рассказывает про нейросети. В этот раз ты узнаешь, что такое рекуррентная нейронная сеть. Продемонстрированы ее архитектуры: Many to Many, Many to One и One to Many. Также приведен пример простейших рекуррентных сетей.

👀Смотреть видео

#видео #нейронные_сети

А/Б тесты с метрикой отношения

Благодаря данной статье ты узнаешь, что такое метрики отношения. Автор рассказывает, почему критерий Стьюдента не работает, а также демонстрирует применение бутстреп к зависимым данным.

👉Читать статью

#статьи

math.exp

Метод math.exp() возвращает E в степени x. «Е» — это основание натуральной системы логарифмов (приблизительно 2,718282), а х — переданное ему число. Обрати внимание, для использования данного метода необходимо импортировать math.

#практика

Рекуррентная нейросеть: Прогноз символов

Продолжаем делиться циклом видео, где автор рассказывает про нейросети. В этот раз ты научишься строить рекуррентную нейросеть для прогнозирования символов последовательности. Ты узнаешь, как правильно кодировать и подавать на вход сети текстовую информацию в виде One-hot encoding (OHE) векторов.

👀Смотреть видео

#видео #нейронные_сети

Apache Airflow в связке с Kubernetes

Делимся статьей, где автор рассказывает про свой опыт в работе Apache Airflow в связке с Kubernetes. Ты соберешь собственный образ Docker с python-скриптом, настроишь автоматическую синхронизацию DAG’ов с удаленным репозиторием и их исполнение.

👉Читать статью

#статьи

dict.setdefault

Метод setdefault() возвращает значение ключа (если ключ находится в словаре). Если нет, он вставляет ключ со значением в словарь. setdefault() возвращает: значение ключа, если он есть в словаре; None, если ключа нет в словаре и значение по умолчанию не указано; default value, если ключ отсутствует в словаре и указано default value.

#практика

Пример использования SGD при бинарной классификации образов

Продолжаем делиться циклом видео про машинное обучение. В этот раз автор демонстрирует пример реализации стохастического градиентного спуска (SGD) применительно к задаче бинарной классификации образов с помощью линейной модели и сигмоидальной функции потерь.

👀Смотреть видео

#видео

Библиотеки для дата-сайентиста

В данной статье автор собрал более 40 библиотек для начинающих AI/ML специалистов. Сгруппированы они по областям практического применения, с кратким описанием функций каждого инструмента.

👉Читать статью

#статьи

math.pow

Метод math.pow() возвращает значение x, возведенное в степень y. Если x отрицательно, а y не является целым числом, возвращается ValueError. Этот метод преобразует оба аргумента в число с плавающей запятой. Обрати внимание, если math.pow(1.0,x) или math.pow(x,0.0), он всегда будет возвращать 1,0.

#практика

L2-регуляризатор

Продолжаем делиться циклом видео про машинное обучение. В этот раз автор рассказывает про устранение эффекта переобучения моделей с помощью L2-регуляризатора. Продемонстрировано математическое обоснование.

👀Смотреть видео

#видео

ChatGPT Code Interpreter

Code Interpreter позволяет ChatGPT анализировать данные, создавать диаграммы, решать математические задачи и редактировать файлы. Он также поддерживает загрузку и скачивание файлов, что раньше было невозможно в ChatGPT. Делимся статьей, где автор рассказывает про свой опыт применения Code Interpreter на реальных задачах.

👉Читать статью

#статьи

math.ceil

Метод math.ceil() при необходимости округляет число до ближайшего целого числа в большую сторону и возвращает результат. Чтобы округлить число в меньшую сторону до ближайшего целого, используй метод math.floor().

#практика

L1-регуляризатор

Продолжаем делиться циклом видео про машинное обучение. В этот раз автор рассказывает про выделение признаков с помощью L1-регуляризатора. Продемонстрированы отличия в работе между L1 и L2-регуляризаторами.

👀Смотреть видео

#видео

Полезные декораторы

Делимся статьей, где автор рассказывает про концепцию Python-оберток. Приводится пять примеров, которые помогут тебе улучшить процесс разработки, а также сократят код в два раза.

👉Читать статью

#статьи

random.random

Функция random.random() генерирует случайные числа с плавающей запятой в диапазоне от 0,1 до 1,0. Она не принимает параметров и возвращает значения, равномерно распределенные между 0 и 1. В данном примере мы используем цикл и добавляем случайные числа в список.

#практика

Гауссовский байесовский классификатор

Продолжаем делиться циклом видео про машинное обучение. В этот раз автор рассказывает про принцип построения и работы гауссовского байесовского классификатора в многомерном признаковом пространстве. Демонстрируется его отличие от наивного байесовского классификатора.

👀Смотреть видео

#видео

Декодирование сигналов точного времени

Благодаря данной статье ты узнаешь, как можно получать и декодировать в реальном времени сигнал точного времени из интернета. Для этого тебе не понадобятся специальные устройства, достаточного компьютера с интернет-соединением.

👉Читать статью

#статьи

math.fabs

Метод math.fabs() возвращает абсолютное значение числа в виде числа с плавающей запятой. Абсолют обозначает неотрицательное число. Это удаляет отрицательный знак значения, если он есть. В отличие от Python abs(), этот метод всегда преобразует значение в значение с плавающей запятой.

#практика