Подготовка данных Machine Learning
Картинка анонса

Инструмент увеличения скорости обработки больших массивов данных

Практический пример создания клиент-серверного приложения для распознавания именованных сущностей (NER).

Подготовка данных Machine Learning
Картинка анонса

Инструмент увеличения скорости обработки больших массивов данных

Практический пример создания клиент-серверного приложения для распознавания именованных сущностей (NER).

Программирование Автоматизация
Картинка анонса

Асинхронное программирование с использованием фреймворка «Vert.x»Часть 1

Vert.x — событийно-ориентированный фреймворк, работающий на JVM, который отличается высокой производительностью, простой асинхронностью и конфигурированием. Проект Vert.x был запущен в 2011 году и изначально назывался «Node.x», позже был переименован в «Vert.x». Vert.x имеет схожую структуру с Node.js, разворачивающую сервер внутри виртуальной машины Java, использующую JVM возможности для регулирования движения в облегченных процессах однопоточного сервера вместо тяжеловесных контейнеров. Фреймворк относится к проектам с открытым исходным кодом.

Программирование Автоматизация
Картинка анонса

Асинхронное программирование с использованием фреймворка «Vert.x» Часть 2

В данной статье продолжим изучение фреймворка Vert.x, изучив передачу сообщений с использованием протокола HTTP.

Подготовка данных Machine Learning
Картинка анонса

Machin Learning на C++. Легко! Ну почти…

Далеко не секрет, что в настоящее время наиболее часто для целей машинного обучения используется язык программирования Python поскольку для него разработано большое количество инструментов, предоставляющих ML-функционал. И даже, если разработчик привык писать на другом языке программирования, то при возникновении задачи, связанной с машинным обучением, с высокой долей вероятности он примет решение в пользу Python.

Подготовка данных Machine Learning
Картинка анонса

Балансировка массива для ML при недостаточном количестве миноритарных объектов в массиве.

При моделировании какого-либо процесса с помощью ML (machine learning), одной из наиболее трудоемких и ответственных задач является создание массива данных, достаточного по объему для создания модели с высокими качественными характеристиками. Что делать, если данных недостаточно?

Графы Анализ данных
Картинка анонса

Простой граф знаний на текстовых данных

Сегодня на простом примере рассмотрим – как провести краткий обзор неструктурированных данных в виде графа знаний.

Python Machine Learning
Картинка анонса

Цепи Маркова

При создании Искусственного Интеллекта мы учим его думать и решать различные задачи. А как насчёт того, чтобы научить его формулировать мысли? А рассказывать анекдоты? Тут нам пригодятся цепи Маркова

Загрузить ещё