В предыдущей статье я описал методы трансформации данных и построения модели в QlikView (далее – QV). Следующим этапом разработки является создание непосредственно дэшборда (далее –DB), который будет доступен для пользователей. Проект DB  представляет из себя лист или набор листов, на которых расположены объекты визуализации данных: Добавить лист  можно при помощи пункта меню «Layout-Add Sheet…». Удалить […]

Переводим жесты в текст с помощью Long Short-Term Memory.

Наверняка у каждого хотя бы раз было такое желание, чтоб написать комментарий и получить массу лайков за него. Но тут возникает вопрос: а что нужно написать, чтобы получить максимальное количество лайков? И для этого можно использовать машинное обучение!

В 1913 году Генри Форд запустил первый сборочный конвейер по сборке генераторов. Как итог: сокращение сборки генератора с 20 до 5 минут. Принцип готовый промежуточный результат передается дальше по конвейеру был применен в специальных функциях Oracle.

Как быстро сформировать фреймы видео? Какой наиболее оптимальный и наименее ресурсоемкий инструмент Computer Vision при нарезке видео на кадры? Делюсь результатами проведенного сравнительного анализа работоспособности OpenCV и MoviePy.

В рамках дипломного проекта, мне необходимо создать программу, которая сможет классифицировать различные дорожные знаки. За основу я возьму 3 распространённых дорожных знака, чтобы на их примере оценить работоспособность и в дальнейшем принимать решения по улучшению нейронки.

В предыдущей статье я описал методы трансформации данных и построения модели в QlikView (далее – QV). Следующим этапом разработки является создание непосредственно дэшборда (далее –DB), который будет доступен для пользователей. Проект DB  представляет из себя лист или набор листов, на которых расположены объекты визуализации данных: Добавить лист  можно при помощи пункта меню «Layout-Add Sheet…». Удалить […]

Переводим жесты в текст с помощью Long Short-Term Memory.

Наверняка у каждого хотя бы раз было такое желание, чтоб написать комментарий и получить массу лайков за него. Но тут возникает вопрос: а что нужно написать, чтобы получить максимальное количество лайков? И для этого можно использовать машинное обучение!

В 1913 году Генри Форд запустил первый сборочный конвейер по сборке генераторов. Как итог: сокращение сборки генератора с 20 до 5 минут. Принцип готовый промежуточный результат передается дальше по конвейеру был применен в специальных функциях Oracle.

Как быстро сформировать фреймы видео? Какой наиболее оптимальный и наименее ресурсоемкий инструмент Computer Vision при нарезке видео на кадры? Делюсь результатами проведенного сравнительного анализа работоспособности OpenCV и MoviePy.

В рамках дипломного проекта, мне необходимо создать программу, которая сможет классифицировать различные дорожные знаки. За основу я возьму 3 распространённых дорожных знака, чтобы на их примере оценить работоспособность и в дальнейшем принимать решения по улучшению нейронки.

Обеспечение постоянной доступности к данным является жестким ограничением для применения машинного обучения в большинстве приложений из реального мира, где данные генерируются непрерывно.
Непрерывное обучение отлично показывает себя в задачах прогнозирования временных рядов, фильтрации спама, рекомендательных системах, прогнозировании CTR и интернете вещей. Подробнее расскажем в этой статье

В этой статье я хочу поделиться с вами альтернативой Pandas, которая работает в 2 раза быстрее. Polars – одна из малоизвестных библиотек, выпущенная летом 2021 года. Стоит отметить, что Polars такой быстрый за счет реализации библиотеки на языке Rust и использования Apache Arrow в качестве основы. Давайте проведем сравнение быстродействия этих двух библиотек

Друзья, известно, что линейная регрессия — это алгоритм Machine Learning, базирующийся на обучении с учителем. Регрессия моделирует целевое значение прогноза на основе независимых переменных. Алгоритм применяется для определения взаимосвязи между переменными и прогнозирования.
В этой статье я покажу, как можно использовать библиотеки Python для того, чтобы создать линейную регрессию на имеющемся заданном наборе данных. В частности, будет использована бинарная линейная модель, чтобы было проще визуализировать ее.

Одной из задач обработки естественного языка является разделение коллекции текстов на темы, а также, выделение ключевых слов. Это делается для того, чтобы категорировать документы, например, для удобного поиска или получения общего представления о всей коллекции.
В данной статье рассказывается о библиотеке BigARTM (Python) для разделения текстов по тематикам.

Приходится ли Вам обрабатывать табличные данные на персональных компьютерах? Зачастую обработка таких данных выполняется с помощью Python и библиотеки Pandas.
Несмотря на удобство и широкий функционал библиотеки Pandas, обработка с её помощью больших наборов данных становится затруднительной. Преодолеть ограничения, связанные с большим объемом данных, позволяет библиотека Dask.

В предыдущей статье я описал методы трансформации данных и построения модели в QlikView (далее – QV). Следующим этапом разработки является создание непосредственно дэшборда (далее –DB), который будет доступен для пользователей. Проект DB  представляет из себя лист или набор листов, на которых расположены объекты визуализации данных: Добавить лист  можно при помощи пункта меню «Layout-Add Sheet…». Удалить […]

Переводим жесты в текст с помощью Long Short-Term Memory.

Наверняка у каждого хотя бы раз было такое желание, чтоб написать комментарий и получить массу лайков за него. Но тут возникает вопрос: а что нужно написать, чтобы получить максимальное количество лайков? И для этого можно использовать машинное обучение!

В 1913 году Генри Форд запустил первый сборочный конвейер по сборке генераторов. Как итог: сокращение сборки генератора с 20 до 5 минут. Принцип готовый промежуточный результат передается дальше по конвейеру был применен в специальных функциях Oracle.

Как быстро сформировать фреймы видео? Какой наиболее оптимальный и наименее ресурсоемкий инструмент Computer Vision при нарезке видео на кадры? Делюсь результатами проведенного сравнительного анализа работоспособности OpenCV и MoviePy.

В рамках дипломного проекта, мне необходимо создать программу, которая сможет классифицировать различные дорожные знаки. За основу я возьму 3 распространённых дорожных знака, чтобы на их примере оценить работоспособность и в дальнейшем принимать решения по улучшению нейронки.

Обеспечение постоянной доступности к данным является жестким ограничением для применения машинного обучения в большинстве приложений из реального мира, где данные генерируются непрерывно.
Непрерывное обучение отлично показывает себя в задачах прогнозирования временных рядов, фильтрации спама, рекомендательных системах, прогнозировании CTR и интернете вещей. Подробнее расскажем в этой статье

В этой статье я хочу поделиться с вами альтернативой Pandas, которая работает в 2 раза быстрее. Polars – одна из малоизвестных библиотек, выпущенная летом 2021 года. Стоит отметить, что Polars такой быстрый за счет реализации библиотеки на языке Rust и использования Apache Arrow в качестве основы. Давайте проведем сравнение быстродействия этих двух библиотек

Друзья, известно, что линейная регрессия — это алгоритм Machine Learning, базирующийся на обучении с учителем. Регрессия моделирует целевое значение прогноза на основе независимых переменных. Алгоритм применяется для определения взаимосвязи между переменными и прогнозирования.
В этой статье я покажу, как можно использовать библиотеки Python для того, чтобы создать линейную регрессию на имеющемся заданном наборе данных. В частности, будет использована бинарная линейная модель, чтобы было проще визуализировать ее.

Одной из задач обработки естественного языка является разделение коллекции текстов на темы, а также, выделение ключевых слов. Это делается для того, чтобы категорировать документы, например, для удобного поиска или получения общего представления о всей коллекции.
В данной статье рассказывается о библиотеке BigARTM (Python) для разделения текстов по тематикам.

Приходится ли Вам обрабатывать табличные данные на персональных компьютерах? Зачастую обработка таких данных выполняется с помощью Python и библиотеки Pandas.
Несмотря на удобство и широкий функционал библиотеки Pandas, обработка с её помощью больших наборов данных становится затруднительной. Преодолеть ограничения, связанные с большим объемом данных, позволяет библиотека Dask.

Когда речь заходит о машинном обучении, сразу возникает необходимость получения набора данных для проведения обучения модели. Безусловно, большое количество датасетов можно найти в открытом доступе и среди таких ресурсов можно отметить, например, Kaggle, VisualData, Machine Learning Repository. Однако, всегда полезно извлекать данные самостоятельно и иметь собственный набор данных. Как это сделать, сгенерировав случайный датасет, в Python с помощью Numpy и Sklearn расскажу в этой статье

Задача состоит в классификации гидроакустических сигналов. Сонары (гидролокаторы) посылают звук высокой частоты в определенном направлении и получают отраженную звуковую волну. По характеристике этой волны можно сделать вывод, от чего именно она отразилась – от морской мины или же от подводного камня, скалы. Используемый для решения задачи набор данных был разработан сотрудником аэрокосмического технологического центра Полом Горманом в разгар холодной войны. Для получения данных металлический цилиндр и цилиндрическая горная порода, оба длиной около 1,5 метров, размещались на песчаном дне океана.

Evidently помогает оценивать и контролировать модели в производственной среде. Сегодня я расскажу как создать такой отчет.

При подготовке структурированных данных использование языка программирования Python и в частности применение методов библиотек Pandas и Scikit-learn – это один из способов успешного решения такой задачи для Data Science специалиста.

Применение линейной регрессии “из коробки” – задача нетривиальная. Но важно понимать метрики качества модели, а также то, что задача не всегда может сводится к стандартной линейной функции.

Добрый день!
В сегодняшней статье хочу поделиться опытом использования xgboost/sklearn для задачи определения потенциально мошеннических операций, совершаемых клиентами кредитной организации.

ML – панацея для любых задач или способ определить лучшие подходы для реализации? В своей статье я проведу сравнение различных по своей сути моделей кластеризации и простого метода расчета расстояния между точками при решении прикладной задачи поиска схожих операций.