MEDIUM_สมุดบันทึก
พื้นที่เก็บข้อมูลที่มีสมุดบันทึกของโพสต์ของฉันใน MEDIUM
หากต้องการรับการแจ้งเตือนทุกครั้งที่มีการเผยแพร่โพสต์ใหม่ สมัครสมาชิกที่นี่
โพสต์เรียงลำดับตามวันที่เผยแพร่ล่าสุด
- Proxy SHAP: เร่งความเร็วในการอธิบายด้วยโมเดลที่เรียบง่ายกว่า [โพสต์] [รหัส]
- การพยากรณ์อนุกรมเวลาในยุคของ GenAI: ทำให้การเพิ่มประสิทธิภาพการไล่ระดับสีมีลักษณะเหมือน LLM [โพสต์] [รหัส]
- คู่มือผู้โบกรถสำหรับ MLOps สำหรับการพยากรณ์อนุกรมเวลาด้วย Sklearn [โพสต์]|[รหัส]
- การพยากรณ์เวลากดปุ่ม: อีกวิธีหนึ่งสำหรับการพยากรณ์ความน่าจะเป็นของอนุกรมเวลา [โพสต์]|[รหัส]
- การพยากรณ์ด้วย Granger Causality: การตรวจสอบความสัมพันธ์ปลอมของอนุกรมเวลา [โพสต์]|[รหัส]
- การอนุมานสาเหตุของการแฮ็ก: การควบคุมแบบสังเคราะห์ด้วย ML เข้าใกล้ [โพสต์] | [รหัส]
- การเลือกรุ่นที่มีข้อมูลความไม่สมดุล: เฉพาะ AUC เท่านั้นที่อาจไม่ช่วยคุณ [โพสต์]|[รหัส]
- PCA สำหรับอนุกรมเวลาหลายตัวแปร: การพยากรณ์ข้อมูลมิติสูงแบบไดนามิก [โพสต์]|[รหัส]
- การแฮ็กความสำคัญทางสถิติ: การทดสอบสมมติฐานด้วยแนวทาง ML [โพสต์]|[รหัส]
- การพยากรณ์อนุกรมเวลาด้วยช่วงการทำนายตามรูปแบบ: Scikit-Learn คือสิ่งที่คุณต้องการ [โพสต์]|[รหัส]
- ทบทวนการวิเคราะห์การเอาชีวิตรอด: วิธีทำให้โมเดลของคุณสร้างเส้นโค้งการเอาชีวิตรอด [โพสต์]|[รหัส]
- การทำนายการปั่นสุดขีด: การพยากรณ์โดยไม่มีคุณสมบัติ [โพสต์]|[รหัส]
- อนุกรมเวลาพยากรณ์ที่มีค่าหายไป: เกินกว่าการแก้ไขเชิงเส้น [โพสต์]|[รหัส]
- การพยากรณ์ความไม่แน่นอนด้วย Linear Models แบบ Deep Learning [โพสต์]|[รหัส]
- การพยากรณ์อนุกรมเวลาพร้อมการเลือกคุณสมบัติ: ทำไมคุณอาจต้องการมัน [โพสต์]|[รหัส]
- การตรวจจับความผิดปกติในอนุกรมเวลาหลายตัวแปรด้วยกราฟเครือข่าย [โพสต์]|[รหัส]
- วิธีปรับปรุงการพยากรณ์อนุกรมเวลาแบบเรียกซ้ำ [โพสต์]|[รหัส]
- ฝึกใหม่หรือไม่ฝึกใหม่? การเรียนรู้ของเครื่องออนไลน์พร้อมการเร่งการไล่ระดับสี [โพสต์]|[รหัส]
- การอธิบายการดริฟท์ข้อมูล: การตรวจจับการเปลี่ยนแปลงที่ตีความได้ด้วย NannyML [โพสต์] | [รหัส]
- Word2Vec พร้อมอนุกรมเวลา: แนวทางการเรียนรู้แบบถ่ายโอน [โพสต์] | [รหัส]
- SHAP สำหรับการตรวจจับดริฟท์: การตรวจสอบการเปลี่ยนแปลงข้อมูลอย่างมีประสิทธิภาพ [โพสต์]|[รหัส]
- การพยากรณ์ด้วยต้นไม้: ตัวแยกประเภทแบบไฮบริดสำหรับอนุกรมเวลา [โพสต์]|[รหัส]
- Boruta SHAP สำหรับการเลือกคุณสมบัติชั่วคราว [โพสต์]|[รหัส]
- การพยากรณ์ด้วยต้นไม้: การสร้างแบบจำลองแบบไฮบริดสำหรับอนุกรมเวลา [โพสต์]|[รหัส]
- การเลือกคุณสมบัติแบบเรียกซ้ำ: การเพิ่มหรือการกำจัด? [โพสต์]|[รหัส]
- ปรับปรุงฟอเรสต์สุ่มด้วยโมเดลเชิงเส้น [โพสต์]|[รหัส]
- การไล่ระดับสีเป็นสิ่งที่ดีในฐานะศาสดาพยากรณ์สำหรับการพยากรณ์อนุกรมเวลาหรือไม่ [โพสต์]|[รหัส]
- การเพิ่มประสิทธิภาพเชิงเส้นด้วยวิศวกรรมคุณสมบัติอัตโนมัติ [โพสต์]|[รหัส]
- ปรับปรุงการถดถอยเชิงเส้นสำหรับการพยากรณ์อนุกรมเวลา [โพสต์]|[รหัส]
- Boruta และ SHAP เพื่อการเลือกคุณสมบัติที่ดีขึ้น [โพสต์]|[รหัส]
- AI อธิบายได้ด้วย Linear Trees [โพสต์]|[รหัส]
- SHAP สำหรับการเลือกคุณสมบัติและการปรับแต่งไฮเปอร์พารามิเตอร์ [โพสต์]|[รหัส]
- Model Tree: จัดการ Data Shifts โดยผสม Linear Model และ Decision Tree [โพสต์]|[code]
- เพิ่มช่วงการคาดการณ์ให้กับโมเดลการพยากรณ์ของคุณ [โพสต์]|[รหัส]
- Linear Tree: การผสมผสานที่ลงตัวระหว่าง Linear Model และ Decision Tree [โพสต์]
- ARIMA สำหรับการจำแนกประเภทด้วย Soft Labels [โพสต์]|[รหัส]
- ความสำคัญในการเรียงสับเปลี่ยนขั้นสูงเพื่ออธิบายการคาดการณ์ [โพสต์]|[รหัส]
- Time Series Bootstrap ในยุคแห่ง Deep Learning [โพสต์]|[รหัส]
- การตรวจจับความผิดปกติด้วยการวิเคราะห์มูลค่าสูงสุด [โพสต์]|[รหัส]
- การสร้างอนุกรมเวลาด้วย VAE LSTM [โพสต์]|[รหัส]
- การประมวลผลล่วงหน้าซีรีส์เวลาเหตุการณ์รุนแรง [โพสต์]|[รหัส]
- เครือข่ายประสาทเทียมระดับหนึ่งใน Keras [โพสต์] | [รหัส]
- การตรวจจับความผิดปกติของอนุกรมเวลาแบบเรียลไทม์ [โพสต์]|[รหัส]
- การสมัครเอนโทรปีในตลาดหุ้น [โพสต์]|[รหัส]
- การปรับอนุกรมเวลาให้เรียบเพื่อการพยากรณ์ที่ดีขึ้น [โพสต์]|[รหัส]
- การปรับอนุกรมเวลาให้เรียบเพื่อการจัดกลุ่มที่ดีขึ้น [โพสต์]|[รหัส]
- การบำรุงรักษาเชิงคาดการณ์ด้วย ResNet [โพสต์]|[รหัส]
- ชุดโครงข่ายประสาทเทียม [โพสต์]|[รหัส]
- การตรวจจับความผิดปกติในอนุกรมเวลาหลายตัวแปรด้วย VAR [โพสต์]|[รหัส]
- Corr2Vec: สถาปัตยกรรม WaveNet สำหรับวิศวกรรมคุณลักษณะในตลาดการเงิน [โพสต์]|[รหัส]
- Siamese และ Dual BERT สำหรับการจำแนกข้อความหลายข้อความ [โพสต์]|[รหัส]
- การพยากรณ์อนุกรมเวลาด้วยโครงข่ายประสาทเทียมกราฟแบบ Convolutional [โพสต์] | [รหัส]
- การปรับเทียบโครงข่ายประสาทเทียมด้วย Keras [โพสต์] | [รหัส]
- รวม LSTM และ VAR สำหรับการพยากรณ์อนุกรมเวลาหลายตัวแปร [โพสต์]|[รหัส]
- ความสำคัญของฟีเจอร์กับอนุกรมเวลาและโครงข่ายประสาทเทียมที่เกิดซ้ำ [โพสต์]|[รหัส]
- Group2Vec สำหรับการเข้ารหัสหมวดหมู่ขั้นสูง [โพสต์]|[รหัส]
- การวิเคราะห์การเอาชีวิตรอดด้วยการเรียนรู้เชิงลึกใน Keras [โพสต์]|[รหัส]
- การวิเคราะห์การอยู่รอดด้วย LightGBM บวกกับ Poisson Regression [โพสต์]|[รหัส]
- การบำรุงรักษาเชิงคาดการณ์: ตรวจจับข้อผิดพลาดจากเซ็นเซอร์ด้วย CRNN และสเปกโตรแกรม [โพสต์]|[รหัส]
- การออกกลางคันหลายตัวอย่างใน Keras [โพสต์] | [รหัส]
- เมื่อ Neural Net ของคุณไม่รู้: วิธีการแบบเบย์กับ Keras [โพสต์]|[รหัส]
- การฝัง Meta แบบไดนามิกใน Keras [โพสต์] | [รหัส]
- การบำรุงรักษาเชิงคาดการณ์ด้วย LSTM Siamese Network [โพสต์]|[รหัส]
- การเพิ่มข้อมูลข้อความทำให้โมเดลของคุณแข็งแกร่งขึ้น [โพสต์]|[รหัส]
- การตรวจจับความผิดปกติด้วยการสุ่มตัวอย่างการเรียงสับเปลี่ยนและการพึ่งพาเวลา [โพสต์]|[รหัส]
- Time2Vec สำหรับ Time Series มีการเข้ารหัส [โพสต์]|[รหัส]
- ทำความสะอาดข้อมูลอัตโนมัติด้วยการเรียนรู้แบบไม่มีผู้ดูแล [โพสต์]|[รหัส]
- การติดตามผู้คนด้วย Machine Learning [โพสต์]|[รหัส]
- การจัดกลุ่มอนุกรมเวลาและการลดขนาด [โพสต์]|[รหัส]
- การตรวจจับความผิดปกติในภาพ [โพสต์]|[รหัส]
- ความสำคัญของคุณสมบัติกับโครงข่ายประสาทเทียม [โพสต์]|[รหัส]
- การตรวจจับความผิดปกติด้วย LSTM ใน Keras [โพสต์] | [รหัส]
- การแบ่งกลุ่มเครื่องแต่งกายด้วย Autoencoder ใน Keras [โพสต์] | [รหัส]
- การพยากรณ์เหตุการณ์ที่รุนแรงด้วยตัวเข้ารหัสอัตโนมัติ LSTM [โพสต์]|[รหัส]
- คำแนะนำและการแท็กเครื่องแต่งกาย Zalando [โพสต์]|[รหัส]
- การประมาณค่าชีวิตคงเหลือด้วย Keras [โพสต์]|[รหัส]
- การควบคุมคุณภาพด้วย Machine Learning [โพสต์]|[รหัส]
- การบำรุงรักษาเชิงคาดการณ์: ตรวจจับข้อผิดพลาดจากเซ็นเซอร์ด้วย CNN [โพสต์]|[รหัส]
