Публикации по теме 'data-science'
Работа с цепями Маркова, часть 7 (Машинное обучение)
Алгоритмы ММ для оценки параметров в цепях Маркова с непрерывным временем (arXiv)
Автор: Джованни Баччи , Анна Ингольфсдоттир , Ким Г. Ларсен , Рафаэль Рейнуар .
Аннотация: Цепи Маркова с непрерывным временем (CTMC) являются популярным формализмом моделирования, который составляет основную семантику для вероятностных систем реального времени, таких как сети массового обслуживания, алгебры стохастических процессов и исчисления для системной биологии. Prism и Storm — популярные..
Сходства в машинном обучении - пример динамического искажения времени
В машинном обучении мы можем реализовать кластеризацию. Кластеризация - это способ группировать похожие элементы.
Для этого нам нужно сравнить предметы между собой.
Различные типы данных для сравнения
Например, чтобы сравнить 2 цены (100 и 200), мы можем провести вычитание. 200 - 100 = 100.
Расстояние между двумя ценами - 100.
Вычисление расстояния может быть менее тривиальным.
Предположим, у нас есть данные о бриллиантах. У нас есть их цены, день для каждой цены и бренд,..
Многие американцы не доверяют новым технологиям
Узнайте, как новое исследование обнаруживает недоверие многих американцев к новым технологиям и многое другое в информационном бюллетене на этой неделе.
Это десятый выпуск CrunchX, и вот истории и ресурсы, на которые, по нашему мнению, стоило потратить время.
1. Инженер только что сделал первый в мире Android-телефон с работающим портом Lightning.
В то время как объявления 1 апреля рассматриваются как сатира, Кен Пиллонел выбрал этот день, чтобы представить свой последний..
Поведение машин Изинга, часть 1
Машина Изинга на основе параметрического генератора Джозефсона (arXiv)
Автор: Сасан Размха , Мехди Камаль , Нобуюки Ёсикава , Масуд Педрам .
Аннотация: Машины Изинга стали многообещающим решением для быстрого решения NP-полных задач комбинаторной оптимизации, превосходящим возможности традиционных вычислительных методов. Эффективно определяя основное состояние гамильтониана в процессе отжига, машины Изинга могут эффективно дополнять центральные процессоры в решении задач..
Прогнозирование с помощью причинно-следственной связи Грейнджера: проверка ложных корреляций временных рядов
Взлом теста причинности Грейнджера с помощью подходов машинного обучения
В прогнозировании временных рядов часто полезно графически проверять имеющиеся данные. Это помогает нам понять динамику явлений, которые мы анализируем, и принимать соответствующие решения. Несмотря на то, что красочный сюжет с нашим временным рядом может быть увлекательным, он может привести к неверным выводам. Временные ряды сложны, потому что часто не связанные между собой события все еще могут визуально..
Скрытые опасности программирования на Python: 10 привычек, которые могут разрушить ваши проекты
Как опытный разработчик Python с более чем десятилетним опытом анализа данных, я сталкивался с бесчисленным количеством проектов, как собственных, так и чужих, которые страдали от ловушек, которых можно было избежать. Это правда, что Python — мощный и универсальный язык, но, как и любой инструмент, он требует осторожного и ответственного использования.
В этой записи блога я хочу поделиться с вами некоторыми скрытыми опасностями программирования на Python — привычками, которые, если их..
Глубокое обучение для прогнозирования временных рядов: LSTM и CNN Neur
Сегодня мы будем использовать очень простую архитектуру глубокого обучения, которая часто дает самые современные результаты. Эта модель имеет всего около 700 параметров и состоит из сверток и слоев LSTM. Я намеренно сделал модель простой, но вы можете создавать аналогичные более крупные архитектуры для своих наборов данных по мере необходимости. Github_Complete_Notebook_To_Play
В этом посте представлен подход глубокого обучения к прогнозированию сложных временных рядов. В прошлом мы..
