@xDrope: książki do statystyki(nie pamiętam tytułów, ale pofiltruj po gwiazdkach na o'reil jest parę fajnych), ogólnie baza tego co czytałem i oglądałem poleciała mi jak zmieniałem pracę i poleciało mi konto na o'reily ;)
  • Odpowiedz
@tptak: gratki Mirku ! Uczenie odbywa sie tylko w chmurze ? Pytam bo lokalnie nie mam raczej sprzętu a nie wiem jakie bylyby koszty chmury :/
  • Odpowiedz
@L3stko od algorytmów. Wiem nuda ale bez podwaliny nie będziesz nigdy w stanie tego ogarnąć na poważnie. Dojdziesz do momentu że będziesz umiał zastosować tylko to co ktoś ci podpowie albo przeczytasz. Dobrze jest wiedzieć dlaczego softmax powinnem być na końcu a rectified linear unit w środku albo dlaczego Adam nadaje się tutaj jako oprymizer a nie sgd itd
  • Odpowiedz
Czy ktos używa własnego GPU do #deeplearning?
Interesuje mnie porównanie 1080 i 2070
Wyglada na to, ze 2070 jest wolniejsze
Różnica jest gdy użyje sie fp16 ale nie bardzo widzę jak miałbym to zrobic
Nie interesują mnie doświadczenia z grami czy kryptowalutami
#nvidia #gpu #machinelearning
  • 6
  • Odpowiedz
  • Otrzymuj powiadomienia
    o nowych komentarzach

Mireczki, możecie pomóc albo naprostować ( ͡° ͜ʖ ͡°) w rozumieniu następujących kawałków kodu?

1.)

from sklearn.modelselection import traintestsplit
X-train, X-tesy, y-train, y-test = train-test-split(X,
  • 5
  • Odpowiedz
  • Otrzymuj powiadomienia
    o nowych komentarzach

@braetk: z tą stratyfikacją chodzi chyba bardziej o to, że przy podziale danych funkcja rozdzieli je proporcjonalnie do ilości elementów w poszczególnych klasach. Jakby funkcja je tylko losowała a np jednej klasy było znacznie więcej od pozostałych, to powstaje ryzyko, że do trenowania albo testów wyrzuci tylko elementy z tej jednej klasy i model później nie będzie w stanie poprawnie sklasyfikować pozostałych.
Tutaj masz sytuację że X-train będzie miał około
  • Odpowiedz
Tak jak napisał @xavhowk stratify to podzielenie zbioru w tym przypadku 75/25 (test_size) tak aby rozkład wartości zmiennej y był taki sam. W takim przypadku zakładasz niejako że 'w przyszłości' nowe dane również będą miały taki sam rozkład jak Twoje dane treningowe i testowe. Rozkład ze względu na y ma sens jeśli Twoje zmienne kategoryczne są 'zaburzone' tzn. jeśli mamy klasyfikację binarną 0/1 gdzie występuje 90% wartości 0 to dzielenie randomowe
  • Odpowiedz
Pijcie ze mną kompot! Zakwalifikowałem się do finałów wyścigów autonomicznych autek-zabawek AWS DeepRacer od Amazon Web Services. W grudniu lecę do Vegas.

Ty też możesz spróbować. O tym poniżej.

Udało mi się coś, o czym jeszcze pół roku temu nawet nie myślałem, że jest możliwe.
* W maju wziąłem udział w fizycznym wyścigu i zająłem trzecie miejsce
tptak - Pijcie ze mną kompot! Zakwalifikowałem się do finałów wyścigów autonomicznych...

źródło: comment_ZQhjrSpIPmlwzpwKjqCNW2N9KwWUDDh3.jpg

Pobierz
  • 14
  • Odpowiedz
  • Otrzymuj powiadomienia
    o nowych komentarzach

Budowanie, trenowanie i testowanie modeli uczenia maszynowego staje się coraz łatwiejsze, również w JavaScript! Sprawdź, jak zrobić to sprawnie od A do Z przy użyciu Tensorflow.js

https://bulldogjob.pl/news/763-uczenie-maszynowe-online-z-uzyciem-tensorflow-js

#programowanie #programista #bulldogjob #machinelearning #artificialintelligence #sztucznainteligencja #javascript
Bulldogjob - Budowanie, trenowanie i testowanie modeli uczenia maszynowego staje się ...

źródło: comment_P5i7pzcclc6wqhd8sVpvg0QVo34M5mhM.jpg

Pobierz
  • 2
  • Odpowiedz
  • Otrzymuj powiadomienia
    o nowych komentarzach