IT-МИР. ПОМОЩЬ В IT-МИРЕ. BLOCKCHAIN. WEB 3.0
BLOCKCHAIN. ОБУЧЕНИЕ И УСЛУГИ IT-ТЕХНОЛОГИЯМ. WEB 3.0
Используемый набор данных Мы будем использовать знаменитый набор данных Titanic. Импортируем его и получаем следующее: 1. idxmin() and idxmax() Эти функции возвращают индексную позицию определенной записи. В наборе данных Titanic, например, можно найти индексную позицию самого молодого/старого человека. Попробуем найти только имена этих людей. Многие программисты используют следующий подход, поскольку ПОДРОБНЕЕ
Перед решением любой задачи науки о данных, такой как исследовательский анализ или построение модели, нужно ответить на следующие вопросы: Что вы хотите узнать или обнаружить с помощью данных? Есть ли у вас подходящие для анализа данные? Данные — это ключевая часть любой задачи науки о данных и машинного обучения. Они ПОДРОБНЕЕ
Как и почему работает случайный лес? Разбираемся Важная часть машинного обучения — это классификация. Мы хотим знать, к какому классу (или группе) принадлежит значение. Возможность точно классифицировать значения чрезвычайно ценна для бизнес-приложений, таких как прогнозирование покупки продукта конкретным пользователем или прогнозирование платёжеспособности по кредиту. Наука о данных предоставляет множество алгоритмов ПОДРОБНЕЕ
Почему это интересно? Многие распределения вероятностей определяются с использованием гамма-функции, я перечислю лишь некоторые: гамма-распределение, бета-распределение, распределение Дирихле, распределение хи-квадрат, т-распределение Стьюдента и так далее. Для специалистов по данным или инженеров и исследователей машинного обучения гамма-функция, вероятно, одна из наиболее широко используемых функций, потому что она участвует во множестве распределений. ПОДРОБНЕЕ
1. Начнем с главного — что такое “момент” в вероятности и статистике? Скажем, нас интересует случайная переменная X. Моменты — это ожидаемые значения X, например, E(X), E(X²), E(X³) и т.д. Первый момент — E(X), Второй момент — E(X²), Третий момент — E(X³), … n-й момент — E(X^n). Нам очень хорошо знакомы первые два момента: математическое ожидание μ = E(X) и дисперсия E(X²) ПОДРОБНЕЕ
1. Восприятие условной независимости Скажем, A — рост ребенка, а B — количество слов, которые он знает. Кажется, что если A высокий, то B, соответственно, тоже. Однако существует информация, которая делает A и B совершенно независимыми друг от друга. Что бы это могло быть? Возраст ребенка. Рост и количество известных ребенку слов НЕ являются ПОДРОБНЕЕ
Методы, данные и процессы Используем корпус фильмов, подготовленный университетом Калифорнии в Санта-Круз. Этот корпус разбит по жанрам и содержит диалоги из 960 фильмов. Диалоги отделены от описания сцен. Очищаем и обрабатываем данные с Pandas, разбив их по персонажам. Затем отфильтровываем по следующему условию: сто строк и не менее трёх слов в ПОДРОБНЕЕ
Мы всегда начинаем с вопроса “почему”, прежде чем переходить к формулам. Если вы понимаете, почему что-то работает, вы с большей вероятностью будете применять это в своей работе. 1. Почему мы изобрели экспоненциальное распределение? Ответ: чтобы получить распределение, предсказывающее периоды времени между событиями (такими как успех, отказ, доставка и так далее). ПОДРОБНЕЕ
Наибольшее значение вероятности — единица. Это общеизвестный факт! Однако для некоторых плотностей вероятности (например, плотности вероятности экспоненциального распределения на графике ниже), когда λ= 1.5 и 𝒙 = 0 плотность вероятности 1.5, что очевидно больше 1! 1. Почему так? Даже если плотность вероятности f(x) принимает значение больше 1, если область, в которую она интегрируется, ПОДРОБНЕЕ
Сумма экспоненциальных случайных величин Пусть X1 и X2 — независимые, экспоненциальные и случайные величины со средним значением λ. Пусть Y=X1+X2. Тильда (~) означает “имеет распределение вероятностей”, например, X1~EXP(λ). Итак: X1~EXP(λ) X2~EXP(λ) Y=(X1+X2) Вопрос: Какова плотность вероятности Y? Где можно использовать распределение Y? Поиск плотности вероятности. 👉 Находим функцию кумулятивного распределения и дифференцируем ПОДРОБНЕЕ