Понравился сайт?Поделись с друзьями!
Статистика ВК сообщества "Машинное обучение, AI, нейронные сети, Big Data"
Наш телеграм канал - https://t.me/ai_machinelearning_big_data
42 898
62599-ое место по числу подписчиков
12.39%
13.50%
за месяц 616 (1.46%)
Графики роста подписчиков
Лучшие посты
Нейросеть DALL-E 2 позволяет генерировать изображение под абзац абсолютно любой книги
Питер Брюс, Эндрю Брюс / Практическая статистика для специалистов Data Science
"Книга рассчитана на специалистов в области Data Science, обладающих некоторым опытом работы с языком программирования R и имеющих предварительное
понятие о математической статистике. Подробно раскрыты темы: разведочный анализ данных, распределения данных и выборок, статистические эксперименты и проверка значимости, регрессия и предсказание, классификация, статистическое машинное обучение и обучение без учителя."
"Книга рассчитана на специалистов в области Data Science, обладающих некоторым опытом работы с языком программирования R и имеющих предварительное
понятие о математической статистике. Подробно раскрыты темы: разведочный анализ данных, распределения данных и выборок, статистические эксперименты и проверка значимости, регрессия и предсказание, классификация, статистическое машинное обучение и обучение без учителя."
? Нейронные сети. Просто
1. Введение
2. Немного биологии
3. В целом об искусственной нейронной сети
4. Искусственный нейрон
5. Структура нейронной сети
6. Нюансы работы нейронной сети
7. Обучение сети
8. Технология обучения сети. Часть 1
9. Технология обучения сети. Часть 2
10. Работа одного нейрона
#ds #course
#video
1. Введение
2. Немного биологии
3. В целом об искусственной нейронной сети
4. Искусственный нейрон
5. Структура нейронной сети
6. Нюансы работы нейронной сети
7. Обучение сети
8. Технология обучения сети. Часть 1
9. Технология обучения сети. Часть 2
10. Работа одного нейрона
#ds #course
#video
#вопросы_с_собеседований
Как работает ROC-кривая?
ROC-кривая — это графическое изображение контраста между показателями истинно положительных и ложноположительных результатов при различных пороговых значениях.
Если считать TPR и FPR для фиксированного порога μ є [0,1], то их можно представить в виде функций от аргумента μ:
TPR = TPR(μ), FPR = FPR(μ). При этом обе функции монотонно возрастают от 0 до 1, а значит, определена функция:
ROC(x) = TPR(FPR-1(x)), x є [0,1]
ROC-кривая — это график функции. Как правило, у хорошего классификатора кривая лежит по большей части либо целиком выше прямой y=x. Это связано с тем что при хорошей классификации надо получать максимальный TPR при минимальном FPR.
Как работает ROC-кривая?
ROC-кривая — это графическое изображение контраста между показателями истинно положительных и ложноположительных результатов при различных пороговых значениях.
Если считать TPR и FPR для фиксированного порога μ є [0,1], то их можно представить в виде функций от аргумента μ:
TPR = TPR(μ), FPR = FPR(μ). При этом обе функции монотонно возрастают от 0 до 1, а значит, определена функция:
ROC(x) = TPR(FPR-1(x)), x є [0,1]
ROC-кривая — это график функции. Как правило, у хорошего классификатора кривая лежит по большей части либо целиком выше прямой y=x. Это связано с тем что при хорошей классификации надо получать максимальный TPR при минимальном FPR.
🥋 Глубокое обучение. Легкая разработка проектов на Python
В этой книге:
▪Четкие схемы, помогающие разобраться в нейросетях, и примеры рабочего кода.
▪Методы реализации многослойных сетей с нуля на базе простой объектно-ориентированной структуры.
▪Примеры и доступные объяснения сверточных и рекуррентных нейронных сетей.
▪Реализация концепций нейросетей с помощью популярного фреймворка PyTorch.
В этой книге:
▪Четкие схемы, помогающие разобраться в нейросетях, и примеры рабочего кода.
▪Методы реализации многослойных сетей с нуля на базе простой объектно-ориентированной структуры.
▪Примеры и доступные объяснения сверточных и рекуррентных нейронных сетей.
▪Реализация концепций нейросетей с помощью популярного фреймворка PyTorch.
9 бесплатных курсов Гарварда для изучения науки о данных в 2022 году
Прикладное машинное обучение с помощью Scikit-Learn, Keras и TensorFlow: концепции, инструменты и техники для создания интеллектуальных систем , 2-е издание | Жерон Орельен
