Превью для статьи

FLAML: Быстрая библиотека для автоматизированного машинного обучения

Если вы занимаетесь машинным обучением и никогда раньше использовали AutoML в Python, то данный пост будет полезен. Я покажу, как использовать FLAML для автоматизированного машинного обучения

Превью для статьи

Для чего нужно интервью по проектированию системы машинного обучения и как его провести

Предлагаем детальный гайд по подготовке к интервью по проектированию сиcтемы ML

Превью для статьи

Доверять Джини или нет: вот в чем вопрос

Коэффициент Джини, кривая Лоренца, TPR и FPR– одни из самых популярных атрибутов экономических задач, решаемых с помощью ML. Все они используются для оценки качества модели и, так или иначе, связаны друг с другом. Предлагаю вспомнить, как они рассчитываются

Превью для статьи

Построение интерпретируемого классификатора

Зачастую хорошие результаты в различных ds задачах дают модели, создающие векторные представления объектов обучающей выборки. Но такие модели часто становятся чёрным ящиком, в который закидываем данные и просто верим ему. Иногда этого недостаточно и хочется получать информацию о том, почему модель приняла то или иное решение. Разберем один из способов как это можно сделать на примере задачи классификации предложений

Превью для статьи

Сказки от Tensorflow и LSTM

LSTM (Long short-term memory) или «сети долгой краткосрочной памяти» активно используются в задачах генерации текста, в частности — подписей к изображениям. Аннотации помогают пользователю найти нужную ему картинку, например, по краткому описанию. Представляем разбор применения алгоритмов машинного обучения с использованием технологий LSTM для создания текстов.

Превью для статьи

ML на распределенных данных

При работе с большими данными часто используются алгоритмы ML. Так как большие данные хранятся в распределённых хранилищах, то для работы с ML, в классическом варианте, нужно сначала собрать все данные в одно место, а потом начать работу сними – это не всегда удобно. Но есть более интересный и удобный вариант – библиотека MLlib Apache Spark.

Превью для статьи

Прогнозируем реальные вероятности

Может ли модель прогнозировать реальные вероятности? На самом деле абсолютно точно это не может делать ни одна. Можно максимально приблизиться к реальным показателям, но для этого модель должна быть откалибрована (скорректирована так, чтобы полученные показатели распределения вероятностей были как можно ближе к реальным). Так как откалибровать модель?

Data News