Введение В этом руководстве мы обсудим детали создания различных синтетических наборов данных с использованием библиотек Numpy и Scikit-learn. Мы увидим, как можно сгенерировать разные образцы из разных распределений с известными параметрами. Мы также обсудим создание наборов данных для различных целей, таких как регрессия, классификация и кластеризация. В конце мы увидим, как мы можем создать набор данных, который имитирует распределение существующего набора данных. Потребность в синтетических данных в данных sc
Введение Вы заинтересованы в использовании нейронной сети для генерации текста? TensorFlow [https://www.tensorflow.org/] и Keras [https://keras.io/] можно использовать для некоторых удивительных приложений методов обработки естественного языка, включая создание текста. В этом руководстве мы рассмотрим теорию генерации текста с использованием рекуррентных нейронных сетей, в частности, сети с долгосрочной краткосрочной памятью, реализуем эту сеть на Python и используем ее для генерации текста. Определение терминов
Введение В этом руководстве мы собираемся обсудить мелкие копии и глубокие копии с помощью примеров на Python. Мы рассмотрим определение глубокой и неглубокой копии, а также ее реализацию на языке Python, чтобы оценить основные различия между двумя типами копий. Во многих программах, которые мы пишем, какими бы простыми они ни были, нам приходится копировать список или объект по одной из многих причин, например, для вычислительной эффективности. Это можно сделать двумя способами:
Введение Глубокое обучение - одна из самых интересных и многообещающих областей искусственного интеллекта (ИИ) и машинного обучения в настоящее время. Благодаря значительным достижениям в области технологий и алгоритмов в последние годы глубокое обучение открыло дверь в новую эру приложений искусственного интеллекта. Во многих из этих приложений алгоритмы глубокого обучения работают наравне с экспертами-людьми, а иногда и превосходят их [https://techcrunch.com/2017/05/24/alphago-beats-planets-best-human-go-player-ke-jie / amp /]. Python имеет b
Введение Глубокое обучение - одна из самых интересных и многообещающих областей искусственного интеллекта (ИИ) и машинного обучения в настоящее время. Благодаря значительным достижениям в области технологий и алгоритмов в последние годы глубокое обучение открыло дверь в новую эру приложений искусственного интеллекта. Во многих из этих приложений алгоритмы глубокого обучения работают наравне с экспертами-людьми, а иногда и превосходят их [https://techcrunch.com/2017/05/24/alphago-beats-planets-best-human-go-player-ke-jie / amp /]. Python имеет b
Введение Это руководство представляет собой введение в простой метод оптимизации, называемый градиентным спуском, который нашел широкое применение в современных моделях машинного обучения. Мы разработаем процедуру общего назначения для реализации градиентного спуска и применим ее для решения различных задач, включая классификацию с помощью контролируемого обучения. В этом процессе мы познакомимся с работой этого алгоритма и изучим влияние различных гиперпараметров на его производительность. Мы все
Введение Matplotlib - одна из наиболее широко используемых библиотек визуализации данных в Python. От простых до сложных визуализаций - это библиотека для большинства. В этом уроке мы рассмотрим, как построить гистограмму в Matplotlib. Гистограммы отображают числовые величины на одной оси и категориальные переменные - на другой, что позволяет увидеть, сколько вхождений существует для разных категорий. > Гистограммы можно использовать для визуализации временных рядов, а также просто категориальных
Введение В Python существует множество библиотек визуализации данных, но Matplotlib - самая популярная из них. Популярность Matplotlib объясняется его надежностью и полезностью - он может создавать как простые, так и сложные графики с небольшим количеством кода. Вы также можете настроить графики различными способами. В этом уроке мы расскажем, как строить прямоугольные диаграммы в Matplotlib. > Ящичные диаграммы используются для визуализации сводной статистики набора данных, отображая атрибуты распределения, такие как
Введение Plotly - это основанная на JavaScript библиотека визуализации данных Python, ориентированная на интерактивную и веб-визуализацию. Он прост, как Seaborn, с высокоуровневым API, но также обладает интерактивностью Bokeh. В дополнение к функциональным возможностям основной библиотеки использование встроенного Plotly Express с Dash делает его отличным выбором для веб-приложений и интерактивных панелей мониторинга, управляемых данными, обычно написанных на Flask. В этом руководстве мы рассмотрим, как построить столбец.