Свързани публикации 'hands-on-tutorials'


TensorFlow-GNN: Ръководство от край до край за графични невронни мрежи
Урок TensorFlow-GNN: Ръководство от край до край за графични невронни мрежи Как да правите прогнози за графики, възли и ръбове, като използвате вашите собствени набори от данни Pandas/NetworkX Специални благодарности на Алваро Санчес Гонзалес от DeepMind и Bryan Perozzi и Sami Abu-el-haija от Google, които ми помогнаха с този урок Актуализиран на 22.04.2023 г. за дребни поправки и добавяне на подхода Graph Nets Графичните данни са навсякъде. Графичните изследвания са в..
Текстово базирано причинно-следствено заключение
Практически уроци Текстово базирано причинно-следствено заключение Урок за анализиране на дезинформация за измама на избирателите чрез оценка на причинно-следствения ефект с текст като лечение и объркващо действие Научната фантастика ни казва, че ширещата се дезинформация е предзнаменование за пропадането на обществото в антиутопия. Може да се твърди, че дезинформацията дестабилизира демокрацията („Morgan 2018“, „Farkas & Schou 2019“). Осезаемо е, че хората, които пренебрегват..
Как да векторизираме показателите за (не)сходство по двойки
Практически уроци Как да векторизираме показателите за (не)сходство по двойки Прост модел за векторизиране на показатели като разстояние L1 и пресичане над съюз за всички двойки точки. Можете да векторизирате цял клас показатели за (не)сходство по двойки със същия модел в NumPy, PyTorch и TensorFlow. Това е важно, когато стъпка във вашия алгоритъм за наука за данни или машинно обучение изисква да изчислите тези показатели по двойки, защото вероятно не искате да губите време за..
Тълкуване на семантична текстова прилика от трансформаторни модели
Практически уроци Тълкуване на семантична текстова прилика от трансформаторни модели Можем ли да визуализираме контекста, използван за търсене? Използването на базирани на трансформатор модели за търсене на текстови документи е страхотно; в днешно време е лесно да се приложи с помощта на библиотеката huggingface и резултатите често са много впечатляващи. Наскоро исках да разбера защо даден резултат беше върнат – първоначалните ми мисли бяха насочени към различни статии и..
Вашият личен чат GPT
Как можете да настроите фино модела GPT-3.5 Turbo на OpenAI за изпълнение на нови задачи, използвайки вашите персонализирани данни Бях развълнуван, когато получих имейл от OpenAI, който съобщава за възможността за фина настройка на ChatGPT. Актуализацията дойде в отговор на исканията на разработчици и фирми, които искат да персонализират модела, за да отговарят по-добре на техните специфични изисквания. Чрез използването на тази фина настройка вече е възможно да се подобри..
Дървовидни ансамбли: пакетиране, усилване и градиентно усилване
Подробно обяснена теория и практика A дървовиден ансамбъл е техника за машинно обучение за контролирано обучение, която се състои от набор от индивидуално обучени дървета на решения, дефинирани като слаби или основни обучаеми, които може да не се представи добре индивидуално. Обединяването на слабите обучаеми създава нов силен модел, който често е по-точен от предишните. Има три основни типа методи за обучение в ансамбъл: усилване , усилване и усилване на градиент . Всеки..
Битка за HR анализ между двата пакета
Caret срещу tidymodels — създайте многократно използвани работни процеси за машинно обучение Битка за HR анализ между двата пакета Защо tidymodels? Ако използвате модели за машинно обучение в R, вероятно използвате caret или tidymodels. Интересното е, че и двата пакета са разработени от един и същи автор, сред много други: Макс Кун. Но как се сравняват помежду си по отношение на осъществимост и ефективност? Може да се чудите кой пакет трябва да научите за предсказуемо моделиране..