Публикации по теме 'hands-on-tutorials'


TensorFlow-GNN: комплексное руководство по графовым нейронным сетям
Руководство TensorFlow-GNN: комплексное руководство по графовым нейронным сетям Как делать прогнозы графиков, узлов и ребер, используя собственные наборы данных Pandas/NetworkX Особая благодарность Альваро Санчесу Гонсалесу из DeepMind, а также Брайану Пероцци и Сами Абу-эль-Хайдже из Google, которые помогали мне с этим руководством Обновлено 22.04.2023 для мелких исправлений и добавления подхода Graph Nets. Графические данные повсюду. Исследования графов находятся в..
Причинно-следственный вывод на основе текста
Практические уроки Причинно-следственная связь на основе текста Учебное пособие по анализу дезинформации о мошенничестве избирателей путем оценки причинно-следственной связи с использованием текста в качестве обработки и искажения Научная фантастика говорит нам, что необузданная дезинформация является предвестником скатывания общества в антиутопию. Можно утверждать, что дезинформация дестабилизирует демократию ( Морган 2018 , Фаркас и Шоу 2019 ). Ощутимо, что люди,..
Как векторизовать метрики попарного (не) сходства
Практические руководства Как векторизовать метрики попарного (не) сходства Простой шаблон для векторизации таких показателей, как расстояние L1 и пересечение по объединению для всех пар точек. Вы можете векторизовать целый класс метрик попарного (несходства) сходства с одним и тем же шаблоном в NumPy, PyTorch и TensorFlow. Это важно, когда на каком-то этапе анализа данных или алгоритма машинного обучения вам необходимо вычислить эти попарные метрики, потому что вы, вероятно, не..
Интерпретация семантического сходства текста из моделей-трансформеров
Практические руководства Интерпретация семантического сходства текста из моделей-трансформеров Можем ли мы визуализировать контекст, используемый для поиска? Использование моделей на основе преобразователя для поиска текстовых документов - это потрясающе; в настоящее время это легко реализовать с помощью библиотеки huggingface , и результаты часто очень впечатляющие. Недавно я хотел понять, почему был возвращен тот или иной результат - мои первоначальные мысли были обращены к..
Ваш личный чатGPT
Как вы можете точно настроить модель OpenAI GPT-3.5 Turbo для выполнения новых задач с использованием ваших пользовательских данных Я был взволнован, когда получил электронное письмо от OpenAI, в котором сообщалось о возможности тонкой настройки ChatGPT. Обновление появилось в ответ на запросы разработчиков и компаний, желающих настроить модель так, чтобы она лучше соответствовала их конкретным требованиям. Используя эту тонкую настройку, теперь можно улучшить управляемость, добиться..
Ансамбли деревьев: бэггинг, повышение и повышение градиента
Подробное объяснение теории и практики Ансамбль деревьев  – это метод машинного обучения для обучения с учителем, который состоит из набора индивидуально обученных деревьев решений, определяемых как слабые или базовые обучающиеся, которые могут не работать индивидуально. Объединение слабых учащихся создает новую сильную модель, которая часто оказывается более точной, чем прежние. Существует три основных типа методов ансамблевого обучения: бэггинг , бустинг и градиентный..
Битва HR-аналитики между двумя пакетами
Caret vs. tidymodels - создание многоразовых рабочих процессов машинного обучения Битва HR-аналитики между двумя пакетами Почему приборки? Если вы используете модели машинного обучения в R, вы, вероятно, используете либо каретки, либо tidymodels. Интересно, что оба пакета были разработаны одним и тем же автором среди многих других: Максом Куном. Но как они сравниваются друг с другом с точки зрения осуществимости и производительности? Вы можете задаться вопросом, какой пакет вам..