Свързани публикации 'editors-pick'


Изстискване на повече от LIME с Python
Как да създадете глобални агрегации на тегла на LIME LIME е популярен метод за обяснение как работят моделите за машинно обучение. Той има за цел да обясни как се правят индивидуални прогнози. Пакетът LIME Python улеснява получаването на тези локални обяснения . Въпреки това, ако искаме да разберем как моделът работи като цяло той липсва. Ще ви покажем как да заобиколите това, за да създадете глобални агрегации от тегла на LIME. Ще ви преведем през процеса на събиране на LIME..
Да кодирам или да не кодирам? Това вече не е въпросът
Нашата двуседмична селекция от задължителни четива от общността, за общността В големите организации екипите за данни използват различни набори от инструменти или платформи за кодиране, за да изпълняват своите задачи. Производителността на екипа за данни е по-висока, ако всеки може да си сътрудничи и работи, докато все още използва предпочитания от тях инструмент. Представете си организация, в която някои екипи за данни изпълняват задачите си с инструмент, базиран на визуално..
Генерирайте 3D мрежа от изображение с Python
Комбинирайте Deep Learning с 3D обработка на данни, за да генерирате мрежа Преди няколко години генерирането на 3D мрежа от едно 2D изображение изглеждаше много трудна задача. Днес, благодарение на напредъка в Deep Learning, са разработени множество монокулярни модели за оценка на дълбочината и те могат да предоставят прецизна карта на дълбочината от всяко изображение. Чрез тази карта е възможно да се генерира мрежа чрез извършване на реконструкция на повърхността. Въведение..
Обучение на графики с липсващи функции
Графика ML с непълни данни Feature Propagation е просто и изненадващо ефективно решение за обучение върху графики с липсващи характеристики на възли Повечето графични невронни мрежи обикновено работят при предположението за пълен набор от функции, налични за всички възли. В сценарии от реалния свят функциите често са само частично налични (например в социалните мрежи възрастта и полът могат да бъдат известни само за малка част от потребителите). Показваме, че разпространението на..
Гледката на един физик за машинното обучение: Термодинамиката на машинното обучение
Сложните системи са повсеместни в природата и физиците постигнаха голям успех, използвайки термодинамиката за изследване на тези системи. Машинното обучение може да бъде много сложно, така че можем ли да използваме термодинамиката, за да го разберем? Като теоретичен физик, превърнал се в учен по данни, хората често ме питат колко подходящо е академичното ми обучение. Въпреки че е вярно, че способността ми да изчислявам взаимодействията на частиците и да разбирам структурите на нашата..
Интерпретируеми или точни? Защо не и двете?
Както е обобщено от Милър , интерпретируемостта се отнася до степента, до която човек може да разбере причината за дадено решение. Общоприето схващане в общността на машинното обучение е, че съществува компромис между точност и интерпретируемост. Това означава, че методите на обучение, които са по-точни, предлагат по-малка интерпретируемост и обратното. Въпреки това, напоследък се набляга много на създаването на присъщо интерпретируеми модели и премахването на техните двойници в..
Разопаковане на швейцарското руло
„Осъзнаване на големите данни“ Разопаковане на швейцарската ролка с дифузионни карти Удивителният алгоритъм за намаляване на размерността, за който може би никога не сте чували Алгоритмите за намаляване на размерността играят важна роля в инструментариума на всеки практикуващ данни. Те не само могат да се използват по време на етапа на проучване за визуализиране на данни и получаване на важни прозрения, прилагането на намаляване на размерността към набор от данни може също да..