Angesichts der Ungewissheit von ML-Projekten ist dies eine inkrementelle Strategie, die Sie anwenden können, wenn Ihr Projekt reift; Es enthält Testbeispiele, um eine klare Vorstellung davon zu vermitteln, wie diese Tests in der Praxis aussehen, und eine vollständige Projektimplementierung ist auf GitHub verfügbar. Am Ende des Beitrags werden Sie in der Lage sein, robustere ML-Pipelines zu entwickeln.
Obwohl oft miteinander verwechselt, sind Iterables und Iterators zwei unterschiedliche Konzepte. Dieser Artikel erklärt den Unterschied zwischen den beiden und wie sie verwendet werden.
Um qualitativ hochwertige Daten zu erhalten, muss ein Prozess durchlaufen werden. Dieser Prozess ist die Datenbereinigung. Erfahren Sie mehr über die verschiedenen Phasen dieses Prozesses.
In diesem Artikel erfahren Sie, wie Sie mit einem ziemlich einfachen Ansatz eine Genauigkeit von über 90 % für das Validierungsset erreichen können. Sie werden auch sehen, was mit der Validierungsgenauigkeit passiert, wenn wir die Menge der Trainingsdaten um den Faktor 20 herunterskalieren. Spoiler-Alarm – sie bleibt unverändert.
Was verraten die Daten, wenn wir fragen: „Was sind die 10 besten Python-Kurse?“. Das Sammeln fast aller Kurse von Top-Plattformen zeigt, dass es mit über 3000 Angeboten eine große Auswahl gibt. Dieser Artikel fasst meine Analyse zusammen und stellt die drei besten Kurse vor.
Es gibt viele großartige Python-Bibliotheken, von denen Data Scientists profitieren können. In diesem Artikel erörtert der Autor die Vorteile von LightGBM und wie sie für Ihren Data-Science-Job spezifisch sind.
Es ist wichtig zu wissen, wie LIME zu seinen endgültigen Ausgaben gelangt, um eine für Textdaten durchgeführte Vorhersage zu erklären. In diesem Artikel habe ich dieses Konzept geteilt, indem ich die Komponenten von LIME aufgeklärt habe.
Erfahren Sie mehr über einige unkonventionelle Möglichkeiten, Ihr Einkommen durch freiberufliche Tätigkeit, Auftragsvergabe, Werbetexterstellung, Karriereberatung und Beratung zu steigern.
Sehen Sie sich in unserer ersten wöchentlichen Zusammenfassung von Data-Science-Nuggets aus dem Internet eine Liste kuratierter Artikel über Kaggle-Datensätze, Python-Debugging-Tools, die Aufgaben von Data Scientists, einen Überblick über YOLO, zweidimensionale PyTorch-Tensoren und die Geheimnisse an der Bereitstellung von maschinellem Lernen.
Open Source Redis wird zunehmend beim maschinellen Lernen verwendet, aber die Ausführung auf Colab ist anders als auf Ihrem lokalen Computer oder mit Docker. Lesen Sie weiter für ein 2-Schritte-Tutorial, wie es geht.
Lesen Sie den zweiten Artikel in dieser Reihe über Transfer Learning und erfahren Sie, wie Sie es auf die Bilderkennung und die Verarbeitung natürlicher Sprache anwenden können.
