Статьи и новости

 

  1. Схема решения задач глубокого машинного обучения

    Обобщенный процесс решения задачи глубокого машинного обучения: 1. Определение задачи и создание набора данных. 2. Выбор меры успеха. 3. Выбор протокола оценки. 4. Предварительная подготовка данных. 5....
  2. Когда стоит использовать глубокое обучение

    Глубокое обучение стоит использовать, когда: более простые модели (логистическая регрессия) не дают требуемой верности; требуется распознавать сложные паттерны в изображениях, NLP или звуковых данных; размерность данных велика;...
  3. Глубокое обучение на Python: краткое содержание и выводы

    Примечание-спойлер: обязательно приобретите себе экземпляр этой книги, если вовлечены в сферу data science, ML, DL. Хотел разбить на несколько частей, но лучше оставить один лонгрид. Книга Франсуа...
  4. Машинное обучение на больших данных

    Рассмотрим библиотеку MlLib в Spark и покажем, как решать задачи машинного обучения — классификации, регресии, кластеризации, а также коллаборативной фильтрации. Кроме этого покажем, как можно исследовать признаки...
  5. Основы работы в Spark

    Основным понятием в Spark является RDD (Resilient Distributed Dataset), который представляет собой Dataset, над которым можно делать преобразования двух типов (и, соответственно, вся работа с этими структурами...
  6. Простая самописная нейросеть на Питоне

    Немного самодеятельности в попытке кратко описать нейросеть на Питоне без использования специализированных библиотэк. К каждому новому листингу добавляет код предыдущего листинга, то есть он следует по мере...

Data Scientist # 1

Машинное обучение, большие данные, наука о данных, анализ данных, цифровой маркетинг, искусственный интеллект, нейронные сети, глубокое обучение, data science, data scientist, machine learning, artificial intelligence, big data, deep learning

Данные — новый актив!

Эффективно управлять можно только тем, что можно измерить.
Copyright © 2019 Data Scientist. Все права защищены.