Машинное обучение

Ещё один способ получить картинки у себя на локальном компьютере без водяных знаков. Для этого нам нужно зарегистрироваться на fusionbrain.ai. В личном кабинете можно генерировать фотографии и видео с помощью интерфейса сервиса. А можно воспользоваться API и запускать python-код в своём любимом Jupyter Notebook. Для этого нам понадобится API-ключи. Их можно получить в разделе, как нестранно, API. Заходим в раздел, жмём «Добавить ключ» и получаем API key и Secret key. Потом ответственно сохраняем эти ключи...

Ещё одно решение для тех кому нужны изображения и желательно без водяных знаков. Каждый может создавать уникальные изображения из текста и одного исходного изображения. Без дорогих видеокарт и сложных программ с помощью Google colab и нескольких строк кода. Открываем Google Colab. Предварительно авторизовавшись в Google. В появившемся окне жмём синюю кнопку «Создать блокнот». После чего появится интерфейс блокнота для написания python-кода. Пишем код в разных ячейках. Чтобы добавить новую ячейку в меню сверху есть кнопка «+ Код»...

Задача со звёздочкой, по-этому всё серьёзно. Вооружаемся: python, Jupyter notebook, машинное обучение: Открываем ноутбук, пишем... import pandas as pd import numpy as np from sklearn.linear_model import LinearRegression from sklearn.tree import DecisionTreeRegressor from sklearn.ensemble import RandomForestRegressor from sklearn.neighbors import KNeighborsRegressor from sklearn.svm import SVR data = {'Feature1': [5, 9, 7], 'Target': [4, 6, np.nan], 'Feature2': [1, 3, 2]} df = pd.DataFrame(data) df...

Решая задачи с ребёнком (1 класс), наткнулся на задачу под звёздочкой. На рисунке в задаче изображены кружки, в которых располагаются цифры. В двух кружках вместо цифр стоят знаки вопроса. По заданию нужно вставить пропущенные цифры. Посмотрим как решит такую задачу искусственный интеллект. Открываем Jupyter Notebook. Пишем код. На этапе инициализации импортируем библиотеки pandas и numpy. А для решения задачи будем использовать 5 базовых моделей без донастроек гиперпараметров, как есть из коробки: import pandas as pd import numpy as np from sklearn...

Нормализация данных — это важный шаг в подготовке данных для обучения предсказательных моделей. Но не всегда и не для всех типов данных нормализация обязательна. Разберёмся, когда стоит делать нормализацию, а когда можно обойтись без неё. Если используем алгоритмы, которые зависят от расстояний между объектами датасета (это отличие значений в ячейках таблицы, выраженное в числовом эквиваленте, например вектор), например, K-ближайшие соседи (from sklearn.neighbors import KNeighborsClassifier, KNeighborsRegressor) или метод опорных векторов (from sklearn...