Публикации по теме 'data-science'
4 современных метода увеличения данных изображения
Думаете о том, чтобы еще немного повысить точность?
Аугментация данных — это уловки, которые почти каждый инженер по машинному обучению использует для улучшения своих результатов. Простые трюки, такие как переворот изображения, могут легко повысить точность вашей модели классификации изображений на несколько процентов без особой тонкой настройки.
Однако мы сегодня будем говорить не об этих простых приемах, таких как переворачивание, вращение и дрожание изображений. Вместо этого мы..
Растущая значимость гильбертовых пространств в исследованиях машинного обучения, часть 3
О проблеме инвариантных подпространств в гильбертовых пространствах (arXiv)
Автор : Пер Х. Энфло
Аннотация: В этой статье мы показываем, что каждый ограниченный линейный оператор T в гильбертовом пространстве H имеет замкнутое нетривиальное инвариантное подпространство.
2. Линейные оценки гауссовских случайных величин в гильбертовых пространствах (arXiv)
Автор : Стефан Таппе
Аннотация: Исследуется статистическая модель для бесконечномерных гауссовских случайных величин с..
Недавние исследования по оптимизации седловой точки, часть 5 (машинное обучение)
Оптимизация седловой точки с приближенной минимизацией Oracle(arXiv)
Автор: Юхей Акимото
Аннотация: Основным подходом к оптимизации седловой точки minxmaxyf(x,y) является подход, основанный на градиенте, популяризированный генеративно-состязательными сетями (GAN). Напротив, мы анализируем альтернативный подход, полагающийся только на оракул, который приблизительно решает задачу минимизации. Наш подход находит приблизительные решения x′ и y′ для minx′f(x′,y) и maxy′f(x,y′) в заданной..
Преподаватель факультета Введение: Йоав Вальд
Этот пост является частью нашей серии блогов Meet the Fellow, в которой рассказывается о стипендиатах факультета, недавно присоединившихся к CDS
Познакомьтесь с Йоавом Вальдом, который этой осенью присоединится к CDS в качестве научного сотрудника. Йоав в настоящее время является постдокторантом в Инженерной школе имени Джона Хопкинса Уайтинга , занимаясь разработкой безопасного и надежного машинного обучения с приложениями в здравоохранении. Получив докторскую степень в Еврейском..
Объедините усилия со Spark, чтобы победить сложные объединения
Объедините усилия со Spark, чтобы победить сложные объединения
Стратегии оптимизации сложных соединений!
Если вы поклонник Dragon Ball, вы наверняка помните, как после достижения различных уровней Saiyan семье и друзьям Гоку приходилось искать альтернативы, чтобы развиваться и побеждать своих все более могущественных врагов.
Давайте возьмем эту аналогию и поговорим о сложных соединениях! Как большие данные сделали его более…
Важность функции XGBoost
Изучение трех разных методов важности функций
Как студент Flatiron, занимающийся наукой о данных, каждый проект — это возможность углубить мое понимание концепций, которые я изучаю . Я также считаю, что мое обучение улучшается, когда я отвечаю на вопросы, на которые я действительно хочу знать ответ. Это путь, который привел меня к более глубокому изучению концепции науки о данных для расчета важности функции .
Мой проект на третьем этапе заключался в создании модели XGBoosted для..
Передовые методы машинного обучения в прогнозном моделировании: глубокое погружение в науку о данных…
В огромном мире науки о данных прогнозное моделирование играет важнейшую роль. Это позволяет нам использовать возможности данных и делать точные прогнозы на будущее. В этой главе мы углубимся в основы прогнозного моделирования, изучим его определение, область применения и различные типы.
Прогнозное моделирование — это подход, который использует исторические данные для прогнозирования будущих результатов. Он включает в себя широкий спектр методов и алгоритмов, которые позволяют нам делать..
