По какой причине газон мокрый? Как дождь влияет на работу поливочной машины и как еще можно использовать модель, расскажем в этой статье.

Что делать, если нет нужного вам набора данных для машинного обучения?

Доброе утро! Что делать, если мы хотим работать в SQL Server с несколькими уровнями данных, но не хотим терять производительность? Разберем пример использования графовых таблиц.

Одной из самых популярных моделей для исследования временных рядов является ARIMA. В статье мы кратко расскажем об этой модели о долгосрочной памяти и рассмотрим необычный способ оценки параметра d с помощью метода нормированного размаха.

Разбираем пример решения задачи по построению проводника на вебе.

Добрый день! Сегодня разберем пример работы с Веб-фреймворком Dash.

По какой причине газон мокрый? Как дождь влияет на работу поливочной машины и как еще можно использовать модель, расскажем в этой статье.

Что делать, если нет нужного вам набора данных для машинного обучения?

Доброе утро! Что делать, если мы хотим работать в SQL Server с несколькими уровнями данных, но не хотим терять производительность? Разберем пример использования графовых таблиц.

Одной из самых популярных моделей для исследования временных рядов является ARIMA. В статье мы кратко расскажем об этой модели о долгосрочной памяти и рассмотрим необычный способ оценки параметра d с помощью метода нормированного размаха.

Разбираем пример решения задачи по построению проводника на вебе.

Добрый день! Сегодня разберем пример работы с Веб-фреймворком Dash.

сложно представить задачу более востребованную и частотную, чем задачу текстового поиска. Упростить ее помогают совершенно разные инструменты и методы, однако универсального решения нет. Как один из оптимальных вариантов в статье представлен парсер библиотеки Natasha для поиска почти любой структурированной информации в тексте.

Порой Data Scientist’ам приходится иметь дело с графами. Чаще всего, это дело не такое уж и сложное, но бывают разногласия, которые начинаются при представлении результатов заказчику данного графа, ведь у каждого своё представлении о прекрасном. Особенно, когда дело касается расположения узлов. Сегодня мы снова сколлаборируем библиотеки NetworkX и Plotly (как уже было ранее ), а также научимся отрисовывать 3D графы для более комфортного взаимодействия с заказчиком, который сможет сам покрутить полученные результаты. Пожалуй, начнем.

В настоящее время активно развиваются и внедряются системы искусственного интеллекта. Собеседник всё чаще становится виртуальным, представляющим из себя мощную программу. Таковой является чат-бот. Сейчас такие программы-собеседники уже напоминают личных секретарей, в круг их обязанностей входят информирование о погоде, перевод денег, напоминание о важных событиях, запись на приём к врачу и многое другое.

В современном мире большинство компаний заинтересовано в предложении своих услуг как можно большему числу клиентов и пользователей их сервисов. И этим компаниям важно знать как оценивать эффект от коммуникации со своими пользователями. Помочь оценить данный эффект и выбрать интересующую группу пользователей могут модели Uplift моделирования.

Решение задачи классификации наблюдений при явном доминировании одного класса в выборке над другим прежде всего опирается на природу дисбаланса, как обосновать применимость методов, не уйти в решение задачи поиска аномалий и верно классифицировать наблюдения рассмотрим в статье

Можно ли обучить модель понимать чувства человека? Как и зачем, давайте разберемся.

Reinforcement Learning – одно из самых развивающихся и перспективных направлений машинного обучения. С помощью него можно попробовать разные действия исследуемого агента, сделать вывод об их успешности, накопить полученные знания и использовать их при будущем выборе. Такой подход используется, например, в переговорных ботах, где ведутся переговоры с клиентом, и есть цель – совершить самую выгодную сделку среди всех возможных, а также, например, такой алгоритм заложен в беспилотных автомобилях.

В статье освещаются основные принципы разработки проекта в QV, предоставить описание большинства объектов визуализации, а, так же, рассказать о некоторых tip and tricks, которые были применены на практике.

В этой статье я расскажу, как с помощью архитектуры нейронных сетей YOLOv5, а также одноименного модуля для Python, решить задачу детекции объектов на изображении.

В этой статье я хотел бы познакомить читателей с библиотекой для ЯП python — Kornia, имеющей богатый функционал в области computer vision. Библиотека написана с использованием pytorch, в ее основе лежат готовые решения, такие как torchvision, PIL, skimage, tf.image, OpenCV. В Kornia реализована возможность выполнения вычислений не только с использованием CPU, но и GPU, что делает фреймворк довольно производительным.

По какой причине газон мокрый? Как дождь влияет на работу поливочной машины и как еще можно использовать модель, расскажем в этой статье.

Что делать, если нет нужного вам набора данных для машинного обучения?

Доброе утро! Что делать, если мы хотим работать в SQL Server с несколькими уровнями данных, но не хотим терять производительность? Разберем пример использования графовых таблиц.

Одной из самых популярных моделей для исследования временных рядов является ARIMA. В статье мы кратко расскажем об этой модели о долгосрочной памяти и рассмотрим необычный способ оценки параметра d с помощью метода нормированного размаха.

Разбираем пример решения задачи по построению проводника на вебе.

Добрый день! Сегодня разберем пример работы с Веб-фреймворком Dash.

сложно представить задачу более востребованную и частотную, чем задачу текстового поиска. Упростить ее помогают совершенно разные инструменты и методы, однако универсального решения нет. Как один из оптимальных вариантов в статье представлен парсер библиотеки Natasha для поиска почти любой структурированной информации в тексте.

Порой Data Scientist’ам приходится иметь дело с графами. Чаще всего, это дело не такое уж и сложное, но бывают разногласия, которые начинаются при представлении результатов заказчику данного графа, ведь у каждого своё представлении о прекрасном. Особенно, когда дело касается расположения узлов. Сегодня мы снова сколлаборируем библиотеки NetworkX и Plotly (как уже было ранее ), а также научимся отрисовывать 3D графы для более комфортного взаимодействия с заказчиком, который сможет сам покрутить полученные результаты. Пожалуй, начнем.

В настоящее время активно развиваются и внедряются системы искусственного интеллекта. Собеседник всё чаще становится виртуальным, представляющим из себя мощную программу. Таковой является чат-бот. Сейчас такие программы-собеседники уже напоминают личных секретарей, в круг их обязанностей входят информирование о погоде, перевод денег, напоминание о важных событиях, запись на приём к врачу и многое другое.

В современном мире большинство компаний заинтересовано в предложении своих услуг как можно большему числу клиентов и пользователей их сервисов. И этим компаниям важно знать как оценивать эффект от коммуникации со своими пользователями. Помочь оценить данный эффект и выбрать интересующую группу пользователей могут модели Uplift моделирования.

Решение задачи классификации наблюдений при явном доминировании одного класса в выборке над другим прежде всего опирается на природу дисбаланса, как обосновать применимость методов, не уйти в решение задачи поиска аномалий и верно классифицировать наблюдения рассмотрим в статье

Можно ли обучить модель понимать чувства человека? Как и зачем, давайте разберемся.

Reinforcement Learning – одно из самых развивающихся и перспективных направлений машинного обучения. С помощью него можно попробовать разные действия исследуемого агента, сделать вывод об их успешности, накопить полученные знания и использовать их при будущем выборе. Такой подход используется, например, в переговорных ботах, где ведутся переговоры с клиентом, и есть цель – совершить самую выгодную сделку среди всех возможных, а также, например, такой алгоритм заложен в беспилотных автомобилях.

В статье освещаются основные принципы разработки проекта в QV, предоставить описание большинства объектов визуализации, а, так же, рассказать о некоторых tip and tricks, которые были применены на практике.

В этой статье я расскажу, как с помощью архитектуры нейронных сетей YOLOv5, а также одноименного модуля для Python, решить задачу детекции объектов на изображении.

В этой статье я хотел бы познакомить читателей с библиотекой для ЯП python — Kornia, имеющей богатый функционал в области computer vision. Библиотека написана с использованием pytorch, в ее основе лежат готовые решения, такие как torchvision, PIL, skimage, tf.image, OpenCV. В Kornia реализована возможность выполнения вычислений не только с использованием CPU, но и GPU, что делает фреймворк довольно производительным.

Не секрет, что задача по поиску человека на видео или фото всегда была актуальна. Но что, если один инструмент объединяет в себе, помимо просто детектирования человека, еще и поиск полной маски человеческого лица, расположение рук и пальцев, да и вообще полностью позу человека? Именно такой open-source инструмент создала всем известная компания google.

С помощью несложного текст майнинга можно узнать, за что дают подарки.

В ходе исследовательских проектов с применением NLP-моделей возникает необходимость извлечь текст из всех доступных видов файлов.

Нередко может возникать задача поиска текста не по полному совпадению, а по сходному содержимому, или по выжимке из этого текста. И хотя для решения этих задач существует множество методов, многие из них могут не давать желаемого результата без больших затрат времени и ресурсов на формирование правильной модели.

Использование наивного Баейсовского классификатора для фильтрации спама довольно старый и известный способ фильтрации сообщений. В его основе лежит простая идея – на обучающих данных для каждого слова в сообщении вычисляется оценка вероятности того, что письмо с этим словом является спамом и, исходя их этого, для вновь пришедшего письма на основании всех слов, вычисляется его вероятность оказаться спамом.

В 1913 году ученые математики, используя ручной подсчет определили, что 43% гласных и 57% согласных содержит роман А.С. Пушкина «Евгений Онегин». Основной задачей было — построить первую модель генерирования языка и доказать, что статистические свойства языка можно моделировать. Сегодня расскажу, как, используя современные методы обработки языка, научить машину определять тематику текста.

Возможно ли обратиться к API только с помощью T-SQL? Спойлер — да! Какие настройки при этом нужны на MS SQL сервере и пошаговое описание процесса описаны в статье.

В данной статье будет рассмотрен пример вычисления и визуализации feature importance на классических датасетах iris и wine. Используемые ml-библиотеки: sklearn и catboost. Для визуализации будет использоваться matplotlib.

Языковые модели все плотнее входят в нашу жизнь. Они используются в системах распознавания речи, системах обработки естественного языка, системах машинного перевода и многих других приложениях. В то же время их обучение происходит с использованием все большего количества данных.

Каждый раз, выполняя анализ данных методами машинного обучения традиционными средствами в виде Python, возникает вопрос: «Неужели это единственный рабочий инструмент для подобного рода задач, не имеющий аналогов?». Определённо нет. В данной статье рассмотрим ещё один пример использования функционального программирования для задач машинного обучения, в частности, реализацию применения нейронной сети на языке F# с использованием библиотеки numl.

Можно ли обучить модель понимать чувства человека? Как и зачем, давайте разберемся.