Публикации по теме 'data-science'
📊 Освоение визуализации данных с помощью библиотеки Seaborn на Python 🐍:
Визуализация данных — мощный инструмент для получения ценной информации и эффективной передачи информации. В этом посте мы рассмотрим различные методы визуализации данных с использованием Seaborn, а также примеры кода Python.
Введение в Seaborn: Предоставьте обзор Seaborn и его преимуществ перед Matplotlib. Подчеркните его совместимость с Pandas DataFrames.
2. Создание потрясающих распределений. Покажите, как Seaborn упрощает создание гистограмм и оценок плотности ядра.
3...
Как ведут себя бесконечномерные геометрические фигуры, часть 2 (дифференциальная геометрия)
О бесконечномерных скрытых симметриях. I. Бесконечномерная геометрия qR-конформных симметрий ( arXiv )
Автор : Денис Владимирович Юрьев
Аннотация: эта статья открывает серию статей, дополняющих серию (hep-th/9405050,q-alg/9610026,q-alg/9611003,q-alg/9611019,funct-an/9611003 ), что также кроется в линиях общей идеологии, изложенных в обзоре (mp_arc/96–477). Основная цель деятельности, которая берет свое начало и мотивацию, предположительно, в прикладных исследованиях автора..
Как сделать хороший набор данных для очистки
Очистка набора данных включает в себя несколько шагов, чтобы гарантировать, что данные являются точными, непротиворечивыми и не содержат ошибок или несоответствий. Конкретные шаги по очистке набора данных могут различаться в зависимости от характера данных и предполагаемого анализа. Тем не менее, вот несколько общих рекомендаций по очистке набора данных:
1. **Определите и обработайте отсутствующие значения:** Изучите набор данных на предмет отсутствующих значений в любых столбцах или..
Active Learning и Semi-supervised Learning превращают ваши немаркированные данные в аннотированные данные
"Машинное обучение"
Active Learning и Semi-supervised Learning превращают ваши немаркированные данные в аннотированные данные
Активное обучение и частично контролируемое обучение
Активное обучение – это одна из стратегий обучения, которая вовлекает учащихся (например, студентов) в активное участие в процессе обучения. По сравнению с традиционным процессом обучения учащиеся не просто сидят и слушают, а работают вместе с учителями в интерактивном режиме. Ход обучения можно..
«Изучение недостатков и потенциальных недостатков искусственного интеллекта»
Искусственный интеллект добился значительного прогресса в последние годы, произведя революцию в различных отраслях, от здравоохранения до финансов. Однако, как и у любой технологии, у ИИ есть недостатки и потенциальные недостатки.
Кризис творчества . Один из его основных недостатков заключается в том, что он делает людей ленивыми. Эпоха искусственного интеллекта только началась, и мы очень от него зависим. Например, существует множество веб-сайтов, которые помогают нам создавать..
Регрессионный анализ
В моем предыдущем блоге я обсуждал, как преобразовать необработанные данные в значимую информацию, чтобы извлечь что-то полезное. Теперь у нас есть готовый набор данных, и его можно использовать для прогнозирования, применяя различные методы машинного обучения.
Регрессионный анализ позволяет нам исследовать взаимосвязь между двумя или более интересующими нас переменными. Процесс выполнения регрессии позволяет уверенно определить, какие факторы имеют наибольшее значение, какие факторы..
Линейная регрессия с TensorFlow 2.0
Линейная регрессия — это простой, но мощный метод машинного обучения, который помогает установить связь между зависимой переменной и одной или несколькими независимыми переменными. В этом блоге мы рассмотрим, как реализовать линейную регрессию с помощью TensorFlow, популярной библиотеки с открытым исходным кодом для машинного обучения.
Как выполнить линейную регрессию с помощью TensorFlow.
!pip install tensorflow
import tensorflow as tf
import numpy as np
import matplotlib.pyplot..
