Блог Machine Learning

В этой статье собраны материалы, которые предназначены не для новичков. Большая часть представленной литературы рассчитана на специалистов, уже имеющих представление о нейронных сетях и желающих повысить свой уровень знаний. Также есть много практических решений:

Предлагаем вашему вниманию большую подборку материалов по нейронным сетям на английском языке. Вы узнаете, как появились нейросети, каким образом они работают, какие задачи решают, как происходит глубокое обучение моделей. Среди представленной литературы вы найдёте книги, статьи и исследования разных авторов:

Продолжаем работать с временными рядами. В прошлой статье мы посмотрели, как использовать мощь глубокого обучения для прогнозирования временных рядов при помощи библиотеки GluonTS от Amazon. На сей раз вернёмся к "обычному" машинному обучению, где признаки по-прежнему нужно генерировать перед построением моделей (а не модели услужливо строят удобные для себя признаки).

Предлагаем вашему вниманию подборку книг по машинному обучению. Они станут хорошим подспорьем для всех, кто хочет освоить эту нишу.

Не так давно мы рассказывали про основные алгоритмы для машинного обучения. Сегодня попробуем реализовать что-нибудь на Python 3. Начнём с линейной регрессии.

Существует нейронная сеть, помогающая писать код для нейронных сетей. Это инструмент Neural Complete, представляющий собой интерфейс автодополнения ввода. Он основан на генеративной состязательной нейросети, имеющей архитектуру долгой краткосрочной памяти.

В июне 2019 года компания Amazon выложила в открытый доступ замечательный инструмент — GluonTS, позволяющий максимально быстро и эффективно строить, оценивать и использовать модели временных рядов, основанные на глубоком обучении и вероятностном подходе.

Поиск аномалий может быть как конечной целью анализа и построения моделей, так и промежуточным этапом подготовки и очистки данных. В первом сценарии мы хотим научиться для каждого объекта выборки выносить вердикт, является ли он аномальным/нестандартным, а во втором мы находим и убираем выбросы в данных, чтобы в дальнейшем получить более устойчивые модели.

Дмитрий Сергеев — программист и специалист по анализу данных с более чем 7-летним опытом. С отличием окончил университет имени Г. В. Плеханова по направлению математического моделирования, прошёл две годичные программы дополнительного профессионального образования: «Data-driven analytics» в Центре Математических Финансов в МГУ и «Прикладной анализ данных и машинное обучение» Факультета Компьютерных Наук в Высшей Школе Экономики.

В этой статье мы поговорим об основных алгоритмах, которые используются в процессе машинного обучения. И назовём лучшие из них по мнению Джеймса Ли, автора статьи «A Tour of The Top 10 Algorithms for Machine Learning Newbies». Как говорится, встречайте «горячую десятку»!