Przeskocz do treści

Jak badać dane?

Nauka o Danych, Uczenie Maszynowe, Sztuczna Inteligencja

O blogu
Spis treści

Spis treści

Najpopularniejsze wpisy:

Accuracy, precision, recall, F1 – co to za czary?
Jak wyhodować drzewo … decyzyjne?
Analiza skupień na przykładzie algorytmu k-średnich
Czym właściwie jest Data Science?
Jak zacząć działać w uczeniu maszynowym
Colab – Czyli jak za darmo uzyskać dostęp do GPU
Książka, która zmieniła moje życie
SQLite i Python – czy warto?
Drzewo decyzyjne a hiperparametry
Silhouette Coefficient – czy dobrze…

Całe archiwum:

2024

02/09 Generatory treści AI – Nowe możliwości w uczeniu maszynowym

2021

01/11 Docker + VS Code czyli Kaggle w Twoim domu
24/01 Jakość powietrza w Polsce #5 – Rok 2019 oczami oddychającego Polaka

2019

24/12 Kaggle – kalendarz adwentowy #24
23/12 Cloud – kalendarz adwentowy #23
22/12 StarCraft – kalendarz adwentowy #22
21/12 Big Data – kalendarz adwentowy #21
20/12 Przetwarzanie obrazów – kalendarz adwentowy #20
19/12 Ramka danych – kalendarz adwentowy #19
18/12 GNU R – kalendarz adwentowy #18
17/12 Matplotlib – kalendarz adwentowy #17
16/12 Fastai – kalendarz adwentowy #16
15/12 MNIST – kalendarz adwentowy #15
14/12 Funkcja aktywacji – kalendarz adwentowy #14
13/12 TensorFlow – kalendarz adwentowy #13
12/12 GPU – kalendarz adwentowy #12
11/12 arXiv – kalendarz adwentowy #11
10/12 Federated learning – kalendarz adwentowy #10
09/12 API – kalendarz adwentowy #9
08/12 Visual Studio Code – kalendarz adwentowy #8
07/12 Jupyter Notebook – kalendarz adwentowy #7
06/12 Git – kalendarz adwentowy #6
05/12 Pandas – kalendarz adwentowy #5
04/12 Scikit-Learn – kalendarz adwentowy #4
03/12 Python – kalendarz adwentowy #3
02/12 Anaconda – kalendarz adwentowy #2
01/12 Linux – kalendarz adwentowy #1
15/07 Najbardziej turystyczne miasto w Polsce?
08/07 APTOS 2019 Blindness Detection – uratuj biednych ludzi przed ślepotą!
10/06 Efekt cieplarniany – czy widać go w danych?
03/06 Analizatory kodu. Co to i czy warto?
27/05 Planowanie wycieczki, czyli problem komiwojażera
20/05 Stochastic gradient descent – po co mi to? Deep learning #2
13/05 Klasyfikator obrazków z komiksów – deep learning #1.5
06/05 Deep Learning – nauczmy się razem! #1
29/04 Python #1 – zmienne, operatory i funkcje wbudowane
22/04 Naczelny algorytm – książka, która ma zmienić świat
15/04 Quantopian – sprawdź się na amerykańskiej giełdzie!
08/04 K najbliższych sąsiadów – kto z kim przestaje, takim się staje
01/04 Mem Data Science – pomoże w nauce?
25/03 Colab – Czyli jak za darmo uzyskać dostęp do GPU
18/03 LANL Earthquake Prediction – konkurs Kaggle
11/03 Dlaczego warto zainteresować się Scikit-Learn?
04/03 Accuracy, precision, recall, F1 – co to za czary?
25/02 Czy mamy tu jakieś wrony? GPW-ML #2 – TA-Lib
18/02 Jakość powietrza w Polsce #4 – zróbmy sobie własną bazę SQLite
11/02 Markdown – czyli o dodawaniu lukru do notebooków
04/02 Co tam na giełdzie słychać? GPW-ML #1
28/01 Silhouette Coefficient – czy dobrze pogrupowałem obserwacje?
21/01 Jakość powietrza w Polsce #3 – gdzie brakuje nam czujników?
14/01 shap.summary_plot, czyli kilka kolejnych słów o zaglądaniu do modelu
07/01 Analiza skupień na przykładzie algorytmu k-średnich

2018

31/12 Pakiet auditor – weryfikacja, walidacja i analiza błędów modelu w R
24/12 Jakość powietrza w Polsce #2 – Rok 2017 oczami oddychającego Polaka
17/12 SQLite i Python – czy warto?
10/12 Jak zacząć działać w uczeniu maszynowym
03/12 Co to jest SHapley Additive exPlanations (SHAP)?
26/11 Jakość powietrza w Polsce #1 – (re)Start
19/11 Partial Dependence Plots
12/11 Histogramy
05/11 ELI5 i czarne pudełka
29/10 Auto_ml, czyli kolejny moduł do automatyzacji uczenia maszynowego
22/10 Nieco więcej o pozbywaniu się niepotrzebnych danych
15/10 Czym właściwie jest Machine Learning?
08/10 Jak jedną linijką przygotować sobie środowisko R z ggplot2?
01/10 Książka, która zmieniła moje życie
24/09 ELI5 i białe pudełka
17/09 Które kolumny są dla nas najważniejsze?
10/09 Jak nie zabłądzić w lesie … losowym?
03/09 Ile tak naprawdę są warte nasze modele?
27/08 Automatyczne Uczenie Maszynowe – TPOT
13/08 Tuning hiperparametrów na przykładzie drzewa decyzyjnego
30/07 Drzewo decyzyjne a hiperparametry
23/07 Jak wyhodować drzewo … decyzyjne?
23/04 Czym właściwie jest Data Science?

Najbardziej popularne wpisy w tym tygodniu:

Accuracy, precision, recall, F1 – co to za czary?
Co to jest SHapley Additive exPlanations (SHAP)?
Partial Dependence Plots
Silhouette Coefficient – czy dobrze…
Jak wyhodować drzewo … decyzyjne?
Stochastic gradient descent – po co mi to?…
Analiza skupień na przykładzie algorytmu k-średnich
ELI5 i białe pudełka
K najbliższych sąsiadów – kto z kim przestaje,…
Pakiet auditor – weryfikacja, walidacja i…

Szukaj:

Polecane książki

Nie było możliwe pobranie danych na temat książki.

Chciałbyś dostawać cotygodniowy newsletter jakbadacdane.pl?
W newsletterze otrzymasz informację o nowych wpisach i przeczytasz o ciekawych i darmowych wydarzenia w najbliższym tygodniu.
Wprowadź swój adres e-mail, aby go zaprenumerować.

Adres Email *

Imię

Copyright © 2019 Damian Melniczuk
Polityka prywatności

Dumnie wspierane przez WordPressa | Motyw: Independent Publisher 2. Autor motywu: Raam Dev.