Свързани публикации 'towards-data-science'


Използване на големи данни в банковия и финансовия сектор
Големите данни във финансите често се смятат за голямо, разнообразно ( структурирано и неструктурирано ) и сложно събиране на данни, които могат да се използват за предоставяне на решения на предизвикателни бизнес проблеми за финансови услуги и банкови компании в целия свят свят. Хипертонията вече не е ограничена само до сферата на технологиите, но вече се счита за бизнес императив. Обикновено финансовите изчисления се извършват до известна степен от хора и решенията се вземат въз..
Ресурси за обучение за заключване за специалисти по данни
За добро или лошо може да разполагате с много повече време в наши дни. И така, за да ви помогна, събрах списък с разнообразни ресурси, които можете да използвате, за да подобрите уменията си, без да разбиете банката. Безплатно казваш? За съжаление не съвсем. Като цяло, много курсове попадат под старата мантра „няма такова нещо като безплатна вечеря“ или „ноктите на тигъра не са създадени, за да си бръкнат в носа“. Добре, може би не последният, но основното тук е, че получавате..
Защо задълбоченото обучение работи — Урок стъпка по стъпка
В началото беше невронът: разбиране на градиентно спускане, обратно разпространение, линейна регресия, логистична регресия, автоенкодери, конволюционни невронни мрежи и VGG16. С визуални помощни средства и практическо кодиране в Python & Keras. Тази статия е за тези, които пропускат безболезненото пътуване през черната кутия на дълбокото обучение. Ние мотивираме и ангажираме читателите с една история за фермер, който се е грижил твърде много за бъдещето. Започваме да разглеждаме..
Сравнителен анализ на LDA, NNMF и LSA алгоритми за тематично моделиране
Практическо сравнение на алгоритми за моделиране на теми без надзор Преглед Работата с големи колекции от неструктурирани текстови данни може да бъде много трудна. За разлика от обичайните техники за обработка на естествен език, които включват задачи за класифициране на текст, моделирането на теми е малко по-различно. Той разчита на неконтролирани алгоритми за машинно обучение за идентифициране и извличане на латентни теми от голям корпус от текст. Тези алгоритми разкриват..
АНАЛИЗАТЪР/УЧЕН ТРЯБВА ДА ПРЕПОДАВА
Алберт Айнщайн веднъж каза: „Ако не можете да го обясните просто, значи не го разбирате достатъчно добре“. Вярата ми в това само се засили, откакто (заедно със Сандия и Бала Картик) преподавах първия в индустрията избираем курс, наречен „Извличане на данни с помощта на машинно обучение“ от Департамента по статистика, Османски университет. Благодарение на тази възможност, предоставена ни от Министерството на статистиката. Беше завладяващо изживяване да ръководя група от 76 студенти..
Внедряване на Grad-CAM в PyTorch
Наскоро попаднах на глава в книгата на Франсоа Шоле Deep Learning With Python », описваща внедряването на Class Activation Mapping за мрежата VGG16. Той имплементира алгоритъма с помощта на Keras, тъй като той е създателят на библиотеката. Следователно инстинктът ми беше да внедря отново CAM алгоритъма с помощта на PyTorch. Grad-CAM Самият алгоритъм идва от тази хартия. Това беше страхотно допълнение към инструментите за анализ на компютърното зрение поради една основна причина...
Градиентно спускане срещу невроеволюция
През март 2017 г. OpenAI пусна публикация в блога за еволюционните стратегии , техника за оптимизация, която съществува от няколко десетилетия. Новото в тяхната статия беше, че те успяха да приложат техниката към дълбоки невронни мрежи в контекста на проблемите с обучението с подсилване (RL). Преди това оптимизирането на RL модели за дълбоко обучение (с обикновено милиони параметри) обикновено се постигаше с обратно разпространение. Използването на еволюционни стратегии за оптимизиране на..