@PhoenixPneuma: To chociaż z tym będziesz miał spokój :V

@PhoenixPneuma: Praktyka jest raczej taka, że bierze się zadanie (np. rozpoznawanie obrazów), patrzy się jaki jest state of the art i się to kopiuje. Ewentualnie, a w zasadzie to prawie zawsze w komercyjnych projektach wychodzi, że jednak danych nie ma tak dużo jak w tych benchmarkowych przykładach lub są nieolabelowane lub tez są częściowo polabelowane źle, niekompletne, niezbalansowane i wtedy trzeba się dopiero głowić co tu zaradzić na te bolączki.Pokaż całość

@PhoenixPneuma: Tak, mamy :)

tu drzewa niekiedy rzucaja totalnie nierealne wartosci patrzac na dane. A to dlatego ze dane akurat trafiaja w jakas galaz gdzie taka predykcja wyszla z uczenia. A ja chce miec w miare stabilne wartosci procentowe nawet kosztem accuracy. Dobrze wyjasnilem tym razem ?

@PhoenixPneuma: No dobra, to brzmi lepiej skoro wyniki wychodzą nierealne.

W takim razie nie pomogę, bo z ML znam wyłącznie podstawy podstaw, brakuje mi wiedzy wypowiedzieć sięPokaż całość

@PhoenixPneuma: Drzewa decyzyjne zwracają jedynie prawdopodobieństwo wystąpienia danego przypadku w zbiorze uczącym i to po uwzględnieniu podziałów (rozgałęzień drzew), stąd nigdy nie dostaniesz "gładkich" prawdopodobieństw zmieniając lekko wartości.

Decyzja, czy korzystasz z prostych algorytmów klasycznego uczenia maszynowego, czy z deep learningu, nie powinna natomiast zależeć od tego, jak chciałbyś, żeby zmieniały się prawdopodobieństwa na wyjściu, tylko od tego, ile masz danych i jak skomplikowany jest problem (czy jesteś w staniePokaż całość

autoML, drivelessAI itp. twory też się pojawiają - ale bardziej do prototypowania - jak trzeba zbudować proces dla biznesu to już tworzy się dedykowany pipeline wykorzystując konkretny estymator i metody + wizualizacje, raportowanie itp.

@PhoenixPneuma: Python + PyCharm, conda jako menedżer wirtualnych środowisk

Do obliczeń kiedyś głównie TensorFlow (w wersji 1.x, od wersji 2.0 nie używałem), obecnie wyłącznie PyTorch.

Standardowe biblioteki + narzędzia (niekoniecznie pod ML, ale też do przetwarzania danych - generalnie to, czego najczęściej używam w pracy): NumPy, scikit-learn, Matplotlib, scikit-image, OpenCV, NLTK, (huggingface) Transformers, fastText, sciPy, Pillow, pdfminer, TensorBoard.

Do szybkich prototypów Jupyter Lab i czasem pandas.

A gdyby tak zaprząc programowanie genetyczne do znajdowania optymalnych modeli w uczeniu nadzorowanym? https://epistasislab.github.io/tpot/ ( ͡° ͜ʖ ͡°)

@PhoenixPneuma: Jakieś książki albo punkt zaczepienia dla zielonek w tym temacie ?

@PhoenixPneuma: jak jakieś dobre popularnonaukowe to polecam pana : Yuval Noah Harari

@PhoenixPneuma: madreksiazki.org (chyba, sprawdź) fajne polecenia mają :)

@PhoenixPneuma: opodatkowali napoje bez cukru: colę zero i pepsi max podatkiem cukrowym. Plują na Ciebie, a ty klaszczesz uszami

@PhoenixPneuma: to nie pij, ja p------ę. Polak robak.

@PhoenixPneuma: Legia Gdynia. Taki klub piłkarski.

@PhoenixPneuma: jest dostosowana do twoich preferencji.

to co opisujesz to się chyba nazywa model ensembling - mi bardziej chodzi o to że na podstawie inputu idzie całkowicie inna scieżka - czyli czytam input, widzę kategorie Owoce i to już idzie swoją owocową scieżką - a warzywa lecą inna scieżką :) - nie chodzi o stackowanie modeli

@PhoenixPneuma: teraz dopiero chyba zrozumiałem o co Ci chodzi, rozpoznajesz N rodzai warzyw i M rodzai owoców.

No to jakPokaż całość

@PhoenixPneuma: spoko, sadza w kominie nie zapali się

@PhoenixPneuma: wrzuc zdjecie