Блог Data Science → Полезные материалы по Data Science | OTUS
Особенности TensorFlow

TensorFlow представляет собой библиотеку для машинного обучения, которая предоставляет возможность обучать искусственный интеллект с целью решения конкретных задач. Среди таких задач -- распознавание текстов и изображений, задачи кластеризации и классификации, популярные ныне задачи обработки больших данных. В чем же особенности этой библиотеки?

Обучаемый симулятор для интерактивных систем

Онлайн-эксперименты – рискованное занятие: когда изменения, которые мы тестируем, плохие, бизнес теряет пользователей и деньги. В научной статье под названием "Accordion: A Trainable Simulator for Long-Term Interactive Systems" авторы предлагают обучить симулятор, который можно запускать офлайн и тестировать гипотезы безопасно для бизнеса. В экспериментах авторы используют симулятор для двух задач: настройки гиперпараметров рекомендательной системы и предсказания результатов A/B теста. Выводы, полученные на этом симуляторе, точнее, чем выводы, полученные на других. Что же, давайте сделаем краткий обзор этой работы.

Матричная факторизация

В последнее время всё чаще возникает потребность том, чтобы объяснить, как тот или иной алгоритм машинного обучения принимает решения. Статья обещает дать интерпретацию эмбеддингам матричной факторизации. Материал представляет собой обзор научной работы "Matrix Factorization for Collaborative Filtering Is Just Solving an Adjoint Latent Dirichlet Allocation Model After All".

Как Data Science решает проблемы бизнеса?

Data science-специалисты позволяют решать конкретные бизнес-проблемы. В книге Booz Allen Hamilton указано, что, повысив используемость данных на 10%, компания может на 49% повысить свою продуктивность. При улучшении доступности данных всего на 10%, потенциальный ROA (возврат на активы, return on asset) в компании может возрасти на 42%. Те организации, которые по максимуму используют потенциал больших данных, сообщают о росте ROI (возврат на инвестицию, return on investment) на 241%. А эффективное использование аналитики данных в масштабах всей компании повышает ROI на 1000%.

Математика для ИИ: операции с матрицами

Из операций с матрицами можно выделить транспонирование, псевдоинверсию, преобразование в скаляр, умножение на вектор и умножение на обратную матрицу. Знание этих операций пригодится вам в контексте понимания принципов работы ИИ.

Математика для ИИ: математическое ожидание, дисперсия и ковариация

Математическое ожидание определяется в теории вероятностей в качестве среднего значения повторения некоторого события. Можно сказать, что ожидаемое значение функции f(x) над распределением вероятностей P(x) — это среднее значение f в случае, если x берётся из P.

Математика для ИИ: базовые термины линейной алгебры

Данная статья даст вам представление о базовых концепциях линейной алгебры — необходимых основах для всех, кто профессионально интересуется машинным обучением, искусственным интеллектом и нейронными сетями. Помните, что многие концепции, используемые в вышеописанных областях, основаны на математических принципах и были открыты более 50 лет назад.

Популярное
Сегодня тут пусто