Вечный джун

Вычисление градиента ошибки и обратного распространения ошибки играет крайне важную роль в машинном обучении. Без автоматического вычисления градиента нам бы пришлось вручную вычислять производные в порой крайне сложных функциях. Рассмотрим функцию simple_gradient из всё того же примера от pytorch. Для того, чтобы иметь возможность высчитывать автоматически градиент нашей функции, нам необходимо обернуть в переменный класс (Variable) нашу функцию и указать в ней, что этой функции требуется градиент (requires_grad)...

Круг I: Лимб. Первый круг есть место не наказания, а, скорее, сожаления. Здесь находятся те, кто не совершали научных грехов сами по себе, но видя их, делали вид, будто не замечают, и потакали им грантами и публикациями. Они проводят вечность на лысой горе, глядя на страдания внизу и размышляя над тем, что они тоже за это ответственны.    Круг II: Преувеличивавшие ценность. Здесь содержатся те, кто преувеличивал ценность своей работы, чтобы получить гранты или опубликовать статьи. Грешники сидят по шею в отвратительной слизи в яме с отвесными стенами...

PyTorch это довольно обширная библиотека разработанная по большей части командой из Facebook. И тут они явно постарались на славу. Начав изучать PyTorch я первым делом полез в интернет чтобы найти какие-нибудь гайды или уроки потому что официальная документация показалась мне довольно непонятной для новичка. Наткнулся на довольно замечательный сайт neurohive, на котором была подробная инструкция как понять этот torch. Перейдём к коду для "общего понимания ситуации" Для начала создадим тензор где все элементы будут 0 (очень грубо говоря тензор это список из списков ну или матрица)...

Многие после того, как разобрались с основными особенностями языка решают написать свою игру и я не исключение(но об этом в другой раз). Ведь достаточно сделать пару вводов, условий и простенькая игра готова...

Ни для кого не секрет, что калькулятор это как правило одна из первых программ которую пишет программист. Она ориентирована на проверку того, на сколько хорошо человек понимает условия(if и else). И правильно, ведь невозможно сделать калькулятор без проверки. Как бы и да и нет. Без «if» можно сделать подобный калькулятор, но придётся подключать встроенную библиотеку и использовать try. Я сделал подобный калькулятор. Можно было конечно обойтись и без raise, но тогда бы пришлось использовать else...

Калькулятор это одна из программ которые пишут новички в определённом языке наряду с текстовой игрой, hello world и угадай число. И если hello world имеет больше ритуальный характер, то остальные несут больше реальную пользу являясь практическими заданиями. Рассмотрев канал «Любительница программировать» я обнаружил калькулятор и остальные первые программы, так давайте рассмотрим подробнее код написанный в калькуляторе. 1. Название переменных n1, n2, a Некорректные названия переменных это первое...

В Python принято разделять слова в название переменных _. Это не совсем внегласное правило. Это правило прописанно в PEP 8, а правила из PEP 8 принято соблюдать) Способов склеить строку много, особенно в print...

На Яндекс Дзене научный контент не пользуется популярностью ни среди читателей (потому что они приходят сюда отдохнуть, а не читать мануалы) ни у алгоритма Дзена. Поэтому меня очень удивило когда я среди рекомендованных увидел статью «Продолжаем изучать Python. Пишем простой секундомер». Она довольна интересная и весьма поучительная для людей которые только начали изучать Python и на моё удивление у этой статьи довольно много дочиток. Пусть код и довольно простой, но в нём есть пара недочётов. Пойдём по порядку...

В наше время создание алгоритмов машинного обучения и их использование с каждым днём становится проще и удобнее. Крупные компании выпускают свои библиотеки по машинному обучению, например TensorFlow - Гугл, CatBoost - Яндекс, PyTorch - Facebook и некоторые другие. Но вот на днях всемирно известная компания по заказу такси Uber вложила в открытый доступ свою библиотеку по машинному обучению. Causal ML как заявляется предназначен для понимания причнно-следственных связей при обучении. Сама библиотека выглядит довольно удобной и простой...

1 часть, 2 часть, 3 часть, 4 часть , 5 часть, 6 часть... Мы рассмотрели несколько классификаторов на тренировочных данных, этого далеко не достаточно чтобы понять работу каждого классификатора или библиотеки, но этого вполне достаточно чтобы понять азы как работать с этой библиотекой, как подбираются параметры, и как примерно происходит работа с машинным обучением. Помимо всего этого...

1 часть, 2 часть, 3 часть, 4 часть, 5 часть... Ну а сразу после отдельного дерева и леса мы попробуем реализовать логистическую регрессию. Почему не Гаус, не Ада,а именно регрессия? На сайте sklearn имеется замечательное сравнение классификаторов, но почему-то среди них нет логистической регрессии и на мой взгляд было бы довольно интересно сравнить как эта регрессия справится с предсказанием по сравнению с деревьями. В качестве штрафа(penalty) мы возьмём l2. Solver не будем оставлять по умолчанию и возьмём сразу все...

1 часть, 2 часть, 3 часть, 4 часть, 5 часть... Перейдём от отдельных деревьев к целым лесам. Для начала импортируем эти леса. from sklearn.ensemble import RandomForestClassifier Ну и сразу создадим соответствующий классификатор. clf = RandomForestClassifier() Можно считать, что ты создали лес, теперь нам надо подобрать ему оптимальные параметры и обучить его. Мы конечно можем подбирать параметры через for, но это будет довольно долго, к тому же есть довольно удобный GridSearchCV, так что не будем мучиться и просто импортируем его...