Glosārijs

Scikit-learn

Kas ir Scikit-learn?

Scikit-learn ir atvērtā pirmkoda Python bibliotēka klasiskajai mašīnmācīšanās. Tā nodrošina vienotus rīkus klasifikācijai, regresijai, klasterizācijai, dimensiju samazināšanai, datu priekšapstrādei un modeļu novērtēšanai, piemēram, krusteniskajai validācijai. Būdama balstīta uz NumPy un SciPy, tā pateicoties vienkāršajai, vienotajai saskarnei tiek plaši izmantota izglītībā, pētniecībā un praksē. Dziļajiem neironu tīkliem parasti izvēlas ietvarus, piemēram, PyTorch vai TensorFlow.

Tēmas

Python
bibliotēka
mašīnmācīšanās

Izmēģiniet KI.ordo

Aģenti, plūsmas un veidnes vienā darbvietā – bezmaksas 24 stundu demo.

Sākt demo

← Visi termini

Saistītie termini

pandas

pandas ir atvērtā pirmkoda Python bibliotēka tabulu datu analīzei un apstrādei, ko kopš 2008. gada izstrādā Wes McKinney. Tās centrālais objekts DataFrame atgādina tabulu ar nosauktām kolonnām. To var izmantot, lai ielādētu datus no CSV failiem, Excel vai datubāzēm un tos tīrītu, filtrētu, grupētu un apvienotu. pandas ir balstīta uz NumPy un ir standartrīks datu analīzē, atskaitēs un apmācības datu sagatavošanā.

Python
datu analīze
+1

NumPy

NumPy ir būtiskākā atvērtā pirmkoda Python bibliotēka skaitliskai skaitļošanai. Tā nodrošina daudzdimensiju masīvus un ātras funkcijas lineārajai algebrai, statistikai un nejaušiem skaitļiem, bet tās kodols darbojas kompilētā kodā. Daudzi datu analīzes un mašīnmācīšanās rīki, piemēram, pandas, scikit-learn un daudzas vizualizācijas bibliotēkas, ir balstīti uz NumPy. Tāpēc ikviens, kas Python vidē strādā ar datiem, to gandrīz vienmēr izmanto tieši vai netieši.

Python
datu analīze
+1

XGBoost

XGBoost (Extreme Gradient Boosting) ir atvērtā pirmkoda bibliotēka, kas īpaši efektīvi īsteno gradienta pastiprināšanu ar lēmumu kokiem. Daudzi mazi koki tiek apmācīti viens pēc otra, katrs labojot iepriekšējo kļūdas, bet regularizācija palīdz novērst pārmērīgu pielāgošanos. XGBoost tiek uzskatīts par pārbaudītu izvēli tabulu datiem, piemēram, kredītriska novērtēšanā, klientu aiziešanas prognozēšanā vai pārdošanas prognozēšanā.

Mašīnmācīšanās
Boosting
+1

Mašīnmācīšanās

Mašīnmācīšanās ir mākslīgā intelekta nozare, kurā datori likumsakarības atvasina no datiem, nevis katrs noteikums tiek skaidri ieprogrammēts. Atkarībā no uzdevuma modeļi mācās no marķētiem piemēriem (ar uzraudzību), no nemarķētiem datiem (bez uzraudzības) vai ar atlīdzībām (pastiprinātā mācīšanās). Lietojumi ir no surogātpasta filtriem un pieprasījuma prognozēm līdz produktu ieteikumiem. Kvalitāte lielā mērā ir atkarīga no apmācības datu daudzuma un kvalitātes.

pamati
MI
+1