首页 > TAG信息列表 > ml
面向数据分析师的机器学习——第 1 部分
面向数据分析师的机器学习——第 1 部分 成为一名熟练的数据分析师！ 本系列文章适用于那些希望在职业生涯中成为数据科学家的数据分析师/工程师。 传统上，数据分析师不应该了解机器学习 (ML)。但是，ML 的可访问性变得比以往任何时候都更容易，您会惊讶地发现，训练 ML 模型比您目前每天所复合系统案例
复合系统案例 人工智能系统在一起更强大吗？ Photo by 卡尔·阿布德 on 不飞溅 吨 他新闻界的意见没有意义。我困惑地盯着我的屏幕，翻阅着 2020 年最流行的新闻文章中的断句和不那么微妙的广告：诸如“有些人已经。”、“在这里观看最新一集……”之类的短语。和“好莱坞万人迷”。如何在 2022 年最好地利用 AI/ML 和有创造力的人类
如何在 2022 年最好地利用 AI/ML 和有创造力的人类 MJT + Stable Diffusion 2022 这段时间我从事专业编码已经有 30 年了。我见过很多。 我看到了什么经受住了时间的考验，而结果却是昙花一现。 我作为一名忠诚的从业者“过着生活”，现在认为自己有点像一个头发花白的老兵。 最近我与技术相关的工作都是关于纪律的
与技术相关的工作都是关于纪律的 Photo by 布雷特乔丹 on 不飞溅 我们大多数人都听说过成为一名数据分析师、数据科学家、数据工程师、ML 工程师或软件工程师是多么美妙，但实际上，在这个领域开始或转换你的职业是非常困难的。 对于初学者来说，没有人会告诉你获得一份高薪、具有挑codeforces.ml/contest/519/problem/E 求树上到任意两个点距离相等的点 树上倍增 分类讨论
E. A and B and Lecture Rooms time limit per test 2 seconds memory limit per test 256 megabytes input standard input output standard output A and B are preparing themselves for programming contests. The University where A and B study is a set of room[教程]：使用 FastAPI 和 Docker 提供容器化 ML 模型
[教程]：使用 FastAPI 和 Docker 提供容器化 ML 模型 使用 FastAPI 和 docker 提供容器化机器学习 (ML) 模型的分步教程。 Our tech stack for the tutorial 在我的 ** 以前的** 在教程中，我们通过构建端点来服务机器学习（ 机器学习 ) 使用 Python 的图像分类器模型和 快速API . 在员工离职困扰？来看AI如何解决，基于人力资源分析的 ML 模型构建全方案 ⛵
我的第一个 BigQuery ML 模型
我的第一个 BigQuery ML 模型 ○ 大查询 是一个高度可扩展、无服务器、多云的数据仓库工具。反过来， BigQuery 机器学习 (BQML) 是一项功能，可让您使用标准 SQL 查询在 BigQuery 中构建和运行机器学习模型。借助 BQML，机器学习允许 SQL 专业人员使用现有的 SQL 技能和工具构建模型。linux 下安装openjdk后，jps -ml 不启作用
[root@node1 jvm]# jps-bash: jps: command not found 其实安装这个命令也很简单，yum安装即可。 先安装jdk,我安装的jdk8 yum install java-1.8.0-openjdk.x86_64安装完jdk8之后再安装openjdk-devel yum install java-1.8.0-openjdk-devel.x86_64————————————————ML 项目中的数据处理
ML 项目中的数据处理 Data Munging 随着当今使用企业数据的垂直行业、用例、用户类型和系统种类繁多，修改的细节可以呈现出无数种形式。 数据探索： Munging 通常从数据探索开始。无论分析师只是在初始数据分析 (IDA) 中寻找全新数据，还是数据科学家开始在探索性数据分析 (EDA) 中寻PySpark ML 预测流失用户
PySpark ML 预测流失用户 项目定义 这是 Udacity 的 Capstone 项目，使用 Spark 分析来自音乐应用 Sparkify 的用户行为数据。主要目标是根据音乐应用程序的用户日志数据预测客户流失。日志包含有关用户的一些基本信息和有关单个操作的信息。 在本文中，我构建了机器学习管道以使用 Py在 ML.NET 中使用Hugginface Transformer
本文主要来自 https://rubikscode.net/2021/10/25/using-huggingface-transformers-with-ml-net/ ，根据自己的理解做了一些修改。ML.NET 集成的ONNX运行时，Hugginface提供了一种以ONNX格式导出Transformers的方法。 首先以 ONNX 文件格式导出 Hugginface Transformer ， ML.NET 然后将ML第21周学习小结
本周收获 总结一下本周学习内容： 1、《机器学习》第14章：概率图模型 14.1 隐马尔可夫模型 14.2 马尔科夫随机场 14.3 条件随机场 14.4 学习与推断 14.5 近似推断 14.6 话题模型1042 布局 Layout 最大值差分约束 判断负环
链接：https://ac.nowcoder.com/acm/contest/26077/1042来源：牛客网 题目描述 FJ有N头奶牛(2≤N≤1000)(2 \leq N \leq1000)(2≤N≤1000)，编号为1…N1 \ldots N1…N。奶牛们将按照编号顺序排成一列队伍（可能有多头奶牛在同一位置上）。换句话说，假设i号奶牛位于ML第19周学习小结
本周收获 总结一下本周学习内容： 1、《深入浅出Pandas》的第17章：实战案例 17.3 综合案例ML.NET相关资源整理
在人工智能领域，无论是机器学习，还是深度学习等，Python编程语言都是绝对的主流，尽管底层都是C++实现的，似乎人工智能和C#/F#编程语言没什么关系。在人工智能的工程实现，通常都是将Python训练好的人工智能模型封装为REST API，以供其它的系统调用。虽然C#也确实天生就不合适搞人工智能ML第16周小结
本周收获 总结一下本周学习内容： 1、《深入浅出Pandas》的第15章：Pandas样式 15.1 内置样式~ 15.3样式高级操作七月计划
差不多也休息摆烂有半个多月了，作息也调整了两天了。可以开始学习了！ 七月的原计划是学英语，备考GRE，但是实在是不太能死学得进去，所以就准备重启美剧+背单词+网课的模式。（摆烂式学习英语）应该能解决掉gre词汇的基本所有问题。 除开英语之外应该只有两三件事 1）ml 2）network 3）整理寝室的书ML第15周学习小结
本周收获 总结一下本周学习内容： 1、《深入浅出Pandas》的第14章：Pandas时序数据 14.4 时间偏移~ 14.6时间操作ML: K-means Clustering
Source: Coursera Machine Learning provided by Stanford University Andrew Ng - Machine Learning | Coursera Unsupervised Learning - Clustering - K-means Algorithm notations: $K$: the number of clusters $\mu_k$: the $k$-th cluster centroid, $\mu_k \in \ML: Anomaly Detection | Multivariate Gaussian Distribution
Source: Coursera Machine Learning provided by Stanford University Andrew Ng - Machine Learning | Coursera Anomaly Detection assumption: Each feature follows Gaussian distribution: $$ x_j \sim N(\mu_j, \sigma_j^2) $$ And they are independent, i.e. forML: Dimensionality Reduction - Principal Component Analysis
Source: Coursera Machine Learning provided by Stanford University Andrew Ng - Machine Learning | Coursera Dimensionality Reduction - Principal Component Analysis (PCA) notations: $u_k$: the k-th principal component of variation $z^{(i)}$: the projectionML第14周学习小结
本周收获 总结一下本周学习内容： 1、《深入浅出Pandas》的第14章：Pandas时序数据 14.1 固定时间 14.2 时长数据 14.3 时间序列casual inference
因果推断：Matching, Weighting, or Regression? py: casual ml 文档[.NET6]使用ML.NET+ONNX预训练模型整活B站经典《华强买瓜》
最近在看微软开源的机器学习框架ML.NET使用别人的预训练模型(开放神经网络交换格式.onnx)来识别图像，然后逛github发现一个好玩的repo。决定整活一期博客。 首先还是稍微科普一下机器学习相关的知识，这一块.NET虽然很早就开源了ML.NET框架，甚至在官方的ML.NE