MEDIUM_Ноутбук
Репозиторий, содержащий блокноты моих постов на MEDIUM.
Чтобы получать уведомления каждый раз, когда публикуется новое сообщение, ПОДПИШИТЕСЬ ЗДЕСЬ .
Сообщения упорядочены по последней дате публикации.
- Прокси-SHAP: ускорьте объяснимость с помощью более простых моделей [сообщение] [код]
- Прогнозирование временных рядов в эпоху GenAI: заставить повышение градиента вести себя как LLM [сообщение] [код]
- Руководство для автостопщиков по MLOps для прогнозирования временных рядов с помощью Sklearn [сообщение]|[код]
- Прогнозирование времени достижения: другой способ вероятностного прогнозирования временных рядов [сообщение]|[код]
- Прогнозирование с помощью причинности Грейнджер: проверка ложных корреляций временных рядов [сообщение]|[код]
- Взлом причинного вывода: синтетический контроль с использованием подходов машинного обучения [сообщение]|[код]
- Выбор модели с учетом данных о дисбалансе: только AUC может вас не спасти [сообщение]|[код]
- PCA для многомерных временных рядов: прогнозирование динамических многомерных данных [сообщение]|[код]
- Взлом статистической значимости: проверка гипотез с помощью подходов машинного обучения [сообщение]|[код]
- Прогнозирование временных рядов с конформными интервалами прогнозирования: Scikit-Learn — это все, что вам нужно [сообщение]|[код]
- Переосмысление анализа выживания: как заставить вашу модель создавать кривые выживания [сообщение]|[код]
- Прогноз экстремального оттока: прогнозирование без функций [сообщение]|[код]
- Прогноз временных рядов с пропущенными значениями: за пределами линейной интерполяции [сообщение]|[код]
- Прогнозирование неопределенности с помощью линейных моделей, как в глубоком обучении [сообщение]|[код]
- Прогнозирование временных рядов с выбором функций: зачем это может понадобиться [сообщение]|[код]
- Обнаружение аномалий в многомерных временных рядах с помощью сетевых графиков [сообщение]|[код]
- Как улучшить рекурсивное прогнозирование временных рядов [сообщение]|[код]
- Переучиваться или не переучиваться? Онлайн-машинное обучение с повышением градиента [сообщение]|[код]
- Объяснение дрейфа данных: интерпретируемое обнаружение сдвига с помощью NannyML [сообщение]|[код]
- Word2Vec с временными рядами: подход к трансферному обучению [сообщение]|[код]
- SHAP для обнаружения дрейфа: эффективный мониторинг смещения данных [сообщение]|[код]
- Прогнозирование с помощью деревьев: гибридные классификаторы временных рядов [сообщение]|[код]
- Boruta SHAP для выбора временных функций [сообщение]|[код]
- Прогнозирование с помощью деревьев: гибридное моделирование временных рядов [сообщение]|[код]
- Рекурсивный выбор функций: добавление или исключение? [сообщение]|[код]
- Улучшите случайный лес с помощью линейных моделей [сообщение]|[код]
- Является ли повышение градиента хорошим пророком для прогнозирования временных рядов? [сообщение]|[код]
- Линейное повышение с помощью автоматизированного проектирования функций [сообщение]|[код]
- Улучшение линейной регрессии для прогнозирования временных рядов [сообщение]|[код]
- Boruta и SHAP для лучшего выбора функций [сообщение]|[код]
- Объяснимый ИИ с линейными деревьями [сообщение]|[код]
- SHAP для выбора функций и настройки гиперпараметров [сообщение]|[код]
- Дерево модели: обрабатываем сдвиги данных, смешивая линейную модель и дерево решений [сообщение]|[код]
- Добавьте интервалы прогнозирования в вашу модель прогнозирования [сообщение]|[код]
- Линейное дерево: идеальное сочетание линейной модели и дерева решений [пост]
- ARIMA для классификации с мягкими метками [сообщение]|[код]
- Расширенная важность перестановок для объяснения прогнозов [сообщение]|[код]
- Bootstrap временных рядов в эпоху глубокого обучения [сообщение]|[код]
- Обнаружение аномалий с помощью анализа экстремальных значений [сообщение]|[код]
- Генерация временных рядов с помощью VAE LSTM [сообщение]|[код]
- Предварительная обработка временных рядов экстремальных событий [сообщение]|[код]
- Одноклассовая нейронная сеть в Керасе [сообщение]|[код]
- Обнаружение аномалий временных рядов в реальном времени [сообщение]|[код]
- Применение энтропии на фондовом рынке [сообщение]|[код]
- Сглаживание временных рядов для лучшего прогнозирования [сообщение]|[код]
- Сглаживание временных рядов для лучшей кластеризации [сообщение]|[код]
- Прогнозное обслуживание с помощью ResNet [сообщение]|[код]
- Ансамбль нейронных сетей [сообщение]|[код]
- Обнаружение аномалий в многомерных временных рядах с помощью VAR [сообщение]|[код]
- Corr2Vec: архитектура WaveNet для разработки функций на финансовом рынке [сообщение]|[код]
- Сиамский и двойной BERT для многотекстовой классификации [сообщение]|[код]
- Прогнозирование временных рядов с помощью сверточной нейронной сети графа [сообщение]|[код]
- Калибровка нейронной сети с помощью Keras [сообщение]|[код]
- Объедините LSTM и VAR для многомерного прогнозирования временных рядов [сообщение]|[код]
- Важность функции с временными рядами и рекуррентной нейронной сетью [сообщение]|[код]
- Group2Vec для расширенного категориального кодирования [сообщение]|[код]
- Анализ выживания с глубоким обучением в Keras [сообщение]|[код]
- Анализ выживаемости с помощью LightGBM плюс регрессия Пуассона [сообщение]|[код]
- Прогнозируемое обслуживание: обнаружение неисправностей датчиков с помощью CRNN и спектрограмм [сообщение]|[код]
- Отсев нескольких выборок в Keras [сообщение]|[код]
- Когда ваша нейронная сеть не знает: байесовский подход с Keras [сообщение]|[код]
- Динамические мета-вложения в Keras [сообщение]|[код]
- Прогнозируемое обслуживание с помощью сиамской сети LSTM [сообщение]|[код]
- Увеличение текстовых данных делает вашу модель сильнее [сообщение]|[код]
- Обнаружение аномалий с помощью перестановочной заниженной выборки и временной зависимости [сообщение]|[код]
- Time2Vec для функций кодирования временных рядов [post]|[code]
- Автоматизация очистки данных с помощью обучения без учителя [post]|[код]
- Отслеживание людей с помощью машинного обучения [сообщение]|[код]
- Кластеризация временных рядов и уменьшение размерности [сообщение]|[код]
- Обнаружение аномалий в изображениях [сообщение]|[код]
- Важность функции с помощью нейронной сети [сообщение]|[код]
- Обнаружение аномалий с помощью LSTM в Keras [сообщение]|[код]
- Сегментация платья с помощью автоэнкодера в Keras [post]|[код]
- Прогнозирование экстремальных событий с помощью автоэнкодеров LSTM [сообщение]|[код]
- Рекомендации по выбору платьев Zalando и теги [сообщение]|[код]
- Оценка оставшегося срока службы с помощью Keras [сообщение]|[код]
- Контроль качества с помощью машинного обучения [сообщение]|[код]
- Прогнозируемое обслуживание: обнаружение неисправностей датчиков с помощью CNN [сообщение]|[код]
