Публикации
Работа с графиками Кэли, часть 1 (машинное обучение)
О распределении собственных значений в семействах графов Кэли (arXiv)
Автор: Матильда Лалин , Анвеш Рэй .
Аннотация: Мы рассматриваем семейство неориентированных графов Кэли, связанных с нечетными циклическими группами, и изучаем статистику собственных значений в их спектрах. Наши результаты мотивированы аналогиями между арифметической геометрией и теорией графов.
2. Моноидный граф Кэли Артина (arXiv)
Автор: Рэйчел Бойд , Рут Чарни , Роуз Моррис-Райт , Сара Риз .
Аннотация:..
Управление политикой на рабочем месте с помощью искусственного интеллекта
Управление политикой на рабочем месте с помощью искусственного интеллекта Когда вы слышите слова «офисная политика», что приходит вам на ум? Все дело в том, чтобы «подлизываться» к нужным людям, «предать» и распространять вредные слухи? Если это так, вы захотите уйти от него как можно дальше!
Однако, нравится вам это или нет, офисная политика — неизбежная часть работы в любой компании. Также возможно продвигать себя и свое дело, не ставя под угрозу собственные убеждения или убеждения..
Математические основы линейной регрессии
Линейная регрессия — это самый простой, но самый интуитивно понятный алгоритм машинного обучения, поскольку он позволяет легко сопоставить значение «прогноза» с математической основой. Я написал эту статью после того, как много прочитал о математике, лежащей в основе работы различных алгоритмов машинного обучения. После прочтения нескольких статей и документов по теме я попытался написать эту статью, используя всю информацию и знания, которые я получил. Я попытался сжать математику и..
Простое конкурентное обучение с Python
В этой статье дается подробное объяснение простого алгоритма конкурентного обучения, а также объясняются процессы и математические выводы, лежащие в основе этой модели машинного обучения. Большая часть информации взята из (Abbott & Dayan, 2005), который является отличным справочником, в котором освещаются предыдущие исследования и вдохновение по этому вопросу. Чего не хватает, так это практического понимания того, как работает этот процесс, поэтому мы реализуем алгоритм с помощью простой..
Разрушение когнитивных вычислений | Что это такое?
Разрушение когнитивных вычислений | О чем все это? — блог Джей Наир
Когнитивные вычисления часто используется взаимозаменяемо с искусственным интеллектом, но это не совсем неправильно. Например, Школа бизнеса Слоана при Массачусетском технологическом институте определяет этот термин как систему, которая адаптивно использует лежащие в основе алгоритмы или обработку с учетом новых данных .
Хотя это не всегда было горячей тенденцией. Настоящее диктует иное, при этом..
КАК СОЗДАТЬ ОТЛИЧНОЕ ПОРТФОЛИО ДЛЯ НАУКИ О ДАННЫХ
ВВЕДЕНИЕ :-
Прошли те времена, когда люди просто просматривали резюме и решали, являетесь ли вы подходящим кандидатом на стажировку или работу. В технологическом секторе люди теперь видят общий профиль и проекты (портфолио) для отбора кандидатов, особенно для науки о данных. Но со временем образовательные компании начали предоставлять платные онлайн-проекты, поэтому почти каждый студент сейчас занимается проектами и стажировками (оплачиваемыми/неоплачиваемыми/добровольными).
Кандидаты..
Проверка точности прогнозов ваших моделей
Написано Сабриной Херольд , Кристианом Глором и Стивеном Ван Винкелем в Tom Capital AG .
В прогнозировании многое зависит от точности прогноза, который вы делаете. Есть несколько способов проверить точность вашей модели. Обычный способ измерить, насколько хорошо стратегия работала бы в прошлом, называется «бэк-тест».
Большинство так называемых «бэк-тестов» разрабатываются людьми, которые очень хорошо справились со своей задачей за долгое время. К сожалению, чем лучше кто-то..
Новые методы анализа с использованием графовой сверточной сети, часть 4 (машинное обучение)
1. Определить выбор узла для сверточных сетей, ориентированных на классификацию с полууправлением (arXiv)
Автор: Яо Сяо , Цзи Сюй , Цзин Ян , Шаобо Ли
Аннотация: Сверточные сети графов (GCN) доказали свою эффективность в области полуконтролируемой классификации узлов путем извлечения структурной информации из графовых данных. Однако случайный выбор помеченных узлов, используемых GCN, может привести к нестабильной производительности обобщения GCN. В этой статье мы предлагаем..
Лучшее исследование гетерофильных графов, часть 1 (машинное обучение)
Краевая направленность улучшает обучение гетерофильных графов (arXiv)
Автор: Эмануэле Росси , Бертран Шарпантье , Франческо Ди Джованни , Фабрицио Фраска , Штефан Гюннеманн , Михаэль Бронштейн .
Аннотация: Графовые нейронные сети (GNN) стали де-факто стандартным инструментом для моделирования реляционных данных. Однако, хотя многие реальные графы ориентированы, большинство современных моделей GNN полностью игнорируют эту информацию, просто делая граф неориентированным. Причины..
Регуляризация L1 и L2 в машинном обучении: углубленный анализ
Регуляризация L1 и L2 в машинном обучении: углубленный анализ
В машинном обучении высокая точность прогнозов может быть достигнута с помощью моделей, но они также могут иметь проблемы с обобщением новых данных из-за переобучения. Переобучение происходит, когда модель слишком сложна и настолько точно соответствует обучающим данным, что улавливает шум или несущественные детали наряду со значительными закономерностями. Регуляризация используется для противодействия переоснащению путем..
От плейлистов к прогнозам: понимание оттока в Sparkify
«В потоках нот, где мелодии переплетаются, Одни пользователи отдаляются, а другие всё равно выравниваются. Тем не менее, в приливах и отливах ритма все же возникают закономерности. Руководствуясь данными, мы прогнозируем следующий всплеск».
Краткий:
В этом проекте мы углубимся в набор данных Sparkify — коллекцию журналов активности пользователей из вымышленного сервиса потоковой передачи музыки. Наша цель — проанализировать поведение пользователей и построить модель, которая..
Руководство для начинающих по созданию и развертыванию контейнера для вашей модели ML
Наука о данных/развертывание
Руководство для начинающих по созданию и развертыванию контейнера для вашей модели ML
Веб-приложение, созданное с использованием Streamlit и развернутое на Heroku.
Контейнеризация обсуждалась в моей предыдущей статье. Теперь давайте попрактикуемся. Мы будем развертывать модель машинного обучения под названием House Hunter. Это веб-приложение для прогнозирования цен на жилье, созданное с использованием Streamlit.
Различные шаги, связанные с..
Самообучающееся руководство для всех, кто хочет изучить искусственный интеллект.
Нет, это не заголовок для клик-приманки. Красота области искусственного интеллекта в том, что она больше не ограничивается математиками и компьютерными науками. Конечно, это должно было быть ясно нам в 1958 году, когда Розенблатт впервые представил нам модель персептрона; мы должны были знать, что не должны ограничивать исследования в области искусственного интеллекта математиками и компьютерными учеными. У нас была задержка на 50 лет, но это нормально, давайте двигаться дальше...
От измерения неопределенности до проектирования компрессорных машин
Мы все хотим немного краткости и экономии вычислений и времени в нашей жизни. Оказывается, наша жизнь имеет много общего с алгоритмами машинного обучения. Давайте поймем, как, казалось бы, небольшая идея кода Хаффмана помогает нам справляться с неопределенностями в жизни, не так ли?
Само название статьи кажется действительно подавляющим. Итак, давайте начнем понимать, откуда я пришел, делая шаг за шагом, не так ли? Вот определение энтропии из Википедии!
если вам было трудно..
4 структуры данных Python, которые необходимо знать
Практическое руководство с примерами
Структуры данных являются неотъемлемой частью любого языка программирования. То, как вы храните данные и управляете ими, является одним из ключевых факторов для создания эффективных программ.
Python имеет 4 встроенных структуры данных:
Список Набор Кортеж Словарь
Все они имеют разные функции с точки зрения хранения данных и доступа к ним. Эти различия имеют значение, потому что от них зависит то, что лучше всего подходит для конкретной..
Новые приложения для автоэнкодеров, часть 4 (машинное обучение)
Физика и химия из экономных представлений: анализ изображений с помощью инвариантных вариационных автоэнкодеров (arXiv)
Автор : Мани Валлети , Юнтао Лю , Сергей Калинин .
Аннотация: Методы электронной, оптической и сканирующей зондовой микроскопии генерируют постоянно растущий объем данных изображений, содержащих информацию об атомных и мезомасштабных структурах и функциях. Это обуславливает необходимость разработки методов машинного обучения для обнаружения по данным физических и..
Прогнозирование покупок посетителей с помощью BigQuery ML на GCP
Всем привет ,
Сегодня мы рассмотрим обзор прогнозирования покупок посетителей с помощью BigQuery ML на GCP с практическими упражнениями.
Итак, начнем:
Введение . BigQuery – это полностью управляемая, не требующая операций и недорогая аналитическая база данных Google. С помощью BigQuery вы можете запрашивать терабайты и терабайты данных без какой-либо инфраструктуры для управления или необходимости в администраторе базы данных. BigQuery использует SQL и может использовать модель..
Понимание машинного обучения: типы и приложения
Изучение трех основных типов машинного обучения и их использования в бизнесе и промышленности
Машинное обучение — неотъемлемая часть искусственного интеллекта, позволяющая компьютерам учиться на данных, выявлять закономерности и делать прогнозы без явного программирования. Машинное обучение стало важным инструментом для предприятий и отраслей, позволяющим принимать решения на основе данных, оптимизировать процессы и повышать эффективность. В этой статье мы рассмотрим, что такое машинное..
Понимание значений Shap (аддитивные пояснения Shapley) для машинного обучения
Значения Шепли, часто называемые значениями Шэпа, представляют собой концепцию из теории кооперативных игр, которая была адаптирована для использования в интерпретируемости моделей машинного обучения. Значения Shap количественно определяют вклад каждой функции в прогноз конкретного экземпляра.
В контексте машинного обучения значения Shap измеряют, насколько значение каждого признака отклоняется от ожидаемого прогноза при рассмотрении всех возможных комбинаций признаков. Они обеспечивают..
Декомпозиция вашей сложной проблемы с ИИ: иерархия
Проблемные миры часто имеют врожденную иерархию. Естественно, может возникнуть вопрос: какой уровень(и) иерархии следует моделировать? Например, фондовый рынок США можно смоделировать в целом или на уровне индекса — допустим, Доу-Джонса, или для отдельных акций.
В линейной системе взаимодействие нижних уровней с верхними является «линейным» или прямо коррелирующим. Возьмем в качестве примера аналитическую систему для бизнес-аналитики и отчетности — продажи, запасы и т. д. Количество..
