Ramka danych – kalendarz adwentowy #19

Chyba powtórzę po raz kolejny na tym blogu moją opinię, że często najwięcej czasu zajmuje nam sformułowanie problemu i jakiejś sensownej metryk do oceny jego rozwiązania. Bowiem gdy już mamy nasze dane i odpowiednio je przetworzyliśmy, to możemy szybko i śmiało eksperymentować. Jeżeli celujemy w uczenie nadzorowane, które nie wymaga przetwarzania obrazów, tekstu ani dźwięku, … Czytaj dalej Ramka danych – kalendarz adwentowy #19

GNU R – kalendarz adwentowy #18

Do efektywnego wykorzystania uczenia maszynowego, bardzo często wystarczy nam znajomość języka programowania Python i jakichś stworzonych dla niego bibliotek pomocniczych. Czasem chcemy jednak przeanalizować jakieś dane bez uczenia głębokiego. Albo chcemy wyliczyć jakieś statystyki z nimi związane. Może przygotować jakieś opracowanie do publikacji? Czy jesteśmy tutaj również skazani na Pythona? Okazuje się, że nie. Istnieje … Czytaj dalej GNU R – kalendarz adwentowy #18

Matplotlib – kalendarz adwentowy #17

W tworzeniu rozwiązań opartych o uczenie maszynowe kluczowe jest zrozumienie efektów pracy naszego modelu. Tworzymy więc sobie różne metryki i odczytujemy uzyskane wyniki. Czasem jednak chciałoby się zobaczyć wizualizację efektów naszej pracy, żeby łatwiej zrozumieć, jak nam idzie. Aby stworzyć odpowiednie wizualizacje w Pythonie, musimy użyć jakiejś biblioteki, bo Python sam z siebie nie potrafi … Czytaj dalej Matplotlib – kalendarz adwentowy #17

Fastai – kalendarz adwentowy #16

We wcześniejszym wpisie adwentowym wspominałem o frameworku TesnorFlow. Wspominałem o jego wydajności i uniwersalności, ale jednocześnie odradzałem ten framework jako punkt startowy w poznawaniu uczenia głębokiego. Dobrze byłoby więc, żebym pokazał framework, który z kolei będzie się nadawał do rozpoczęcia przygody z uczeniem głębokim. Taki framework to fastai. Fastai jako sposób na naukę Framework fastai … Czytaj dalej Fastai – kalendarz adwentowy #16

MNIST – kalendarz adwentowy #15

Nie da się pracować nad rozwiązaniem jakiegoś problemu z wykorzystaniem danych, bez danych. To raczej oczywiste. Ale zastanówmy się, co by się działo, gdyby różne zespoły opracowywały rozwiązanie jakiegoś konkretnego problemu, wykorzystując różne dane. Każdy z nich doszedłby do optymalnego rozwiązania dla jego danych. Po pierwsze, pewnie żaden z nich nie zbliżyłby się do ogólnego … Czytaj dalej MNIST – kalendarz adwentowy #15