您好,欢迎光临本网站![请登录][注册会员]  

搜索资源列表

  1. .NET开发人员关于ML.NET的入门学习

  2. ML.NET一直在微软的研究部门的工作。这些创新已经用于他们自己的产品,如Windows Defender,Microsoft Office(Powerpoint设计理念,Excel图表推荐),Azure机器学习,PowerBI。 ML.NET旨在提供终端工作流程,以便在机器学习(预处理,特征工程,建模,评估和操作)的各个步骤中将ML用于.NET应用程序。 ML.NET 1.0提供以下关键组件:数据表示机器学习任务(分类,回归,异常检测等)数据特征工程 机器学习模型应该让分析师的生活更轻松,现在
  3. 所属分类:其它

    • 发布日期:2021-01-02
    • 文件大小:148480
    • 提供者:weixin_38568548
  1. amazon-sagemaker-mlops-workshop:Amazon SageMaker的MLOps研讨会-源码

  2. Amazon SageMaker的MLOps研讨会 使用Amazon SageMaker Pipelines进行的机器学习操作研讨会:实验室指南和材料。 介绍 在机器学习中,您“教”计算机进行预测或推理。首先,您使用算法和示例数据来训练模型。然后,您将模型集成到应用程序中,以实时,大规模地生成推论。在生产环境中,模型通常会从数百万个示例数据项中学习,并在数百到不到20毫秒的时间内得出推论。 下图说明了创建机器学习模型的典型工作流程: 如图所示,您通常执行以下活动: 识别业务问题和相关的机器学习问
  3. 所属分类:其它

    • 发布日期:2021-03-22
    • 文件大小:2097152
    • 提供者:weixin_42138703
  1. toolbox-1:精选的库列表可加快机器学习工作流程-源码

  2. 工具箱 精选库可加快工作流程 阶段:数据 注解 图片: 文字: , 数据集 文本: ,, , , , 图片: 数据集搜索引擎: , 撷取资料 音频: 视频: 图片: 新闻: PDF:, 远程文件: 搜寻: , , Google表格: Google云端硬碟: 数据集的Python API: Google地图位置数据: 数据扩充 文字: 图片: , , 阶段:探索 资料准备 缺少值: 将图像拆分为训练/验证/测试: 班级不平衡: 在笔记本中进行实验 通过CLI查看Jupyt
  3. 所属分类:其它

    • 发布日期:2021-03-21
    • 文件大小:6144
    • 提供者:weixin_42134878
  1. Phishing_detection_based_on_heuristic_features:基于启发式特征的钓鱼网站检测系统-源码

  2. [TOC]#基于启发式特征的钓鱼网站检测系统#作者:沂水寒城 ##背景钓鱼网站的检测问题可以看做是一个二分类的问题,因此可以基于机器学习的流程和方法来做分类 ##基于html的启发式钓鱼网站检测基于数据的大量统计以及综合现有的方法提取29维特征,之后使用SVM模型来训练和测试 ##基于网址的启发式钓鱼网站检测基于网址的特征设计的轻量级的分类模型,同样是基于SVM分类模型 ##实验方案实验采用的方法是结合两个分类模型的结果综合决策最终页面的所属类别 ##实验数据由于爬取到了html文件副本不易上传
  3. 所属分类:其它

    • 发布日期:2021-03-11
    • 文件大小:15360
    • 提供者:weixin_42102933
  1. 机器学习:特征工程工作流程

  2. 特征是数据中抽取出来的对结果预测有用的信息,可以是文本或者数据。特征工程是使用专业背景知识和技巧处理数据,使得特征能在机器学习算法上发挥更好的作用的过程。过程包含了特征提取、特征构建、特征选择等模块。特征工程的目的是筛选出更好的特征,获取更好的训练数据。因为好的特征具有更强的灵活性,可以用简单的模型做训练,更可以得到优秀的结果。“工欲善其事,必先利其器”,特征工程可以理解为利其器的过程。互联网公司里大部分复杂的模型都是极少数的数据科学家在做,大多数工程师们做的事情基本是在数据仓库里搬砖,不断地数
  3. 所属分类:其它

    • 发布日期:2021-02-24
    • 文件大小:717824
    • 提供者:weixin_38693586
  1. 自动化的机器学习(AutoML):将AutoML部署到云中

  2. AutoML是一个很宽泛的术语,理论上来说,它囊括从数据探索到模型构建这一完整的数据科学循环周期。但是,我发现这个术语更多时候是指自动的特征预处理和选择、模型算法选择和超参数调优,这些步骤处在数据科学流程的末端。流程中的早期步骤,即数据探索、清理和特征工程很难自动化,因为它们既需要专业知识,也需要人为判断。令人高兴的是,AutoML可让模型选择和开发等工作中冗长单调的步骤实现自动化,从而解放数据科学家,让他们关注更有趣的工作。下面我将详细介绍部署AutoML服务的经验。1.AutoML可为模型选
  3. 所属分类:其它

    • 发布日期:2021-02-24
    • 文件大小:257024
    • 提供者:weixin_38612811
  1. 示例-ml-管道:用于任何表格数据问题的示例,带注释的机器学习管道-源码

  2. 示例性机器学习管道 介绍 该存储库旨在充当任何表格数据问题的示例性数据科学和机器学习管道。 此外,笔记本旨在探索两个用于机器学习自动化的Python软件包: featuretools和h2o 。 featuretools专门从事特征工程,而h2o专门从事建模。 按照指示的顺序操作笔记本。 从广义上讲,这是我们涵盖的内容: 数据洞察和可视化 数据清理 数据插补 手动特征工程 通过featuretools自动特征工程 功能缩放 功能选择 功能编码 通过h2o建模(模型选择和分析) 我们可以提出
  3. 所属分类:其它

    • 发布日期:2021-02-05
    • 文件大小:90112
    • 提供者:weixin_42116705
  1. aethos:自动化数据科学和机器学习库可优化工作流程-源码

  2. 埃索斯 “为数据科学家和ML工程师提供了一系列工具,可自动执行执行分析以部署模型和管道的工作流程。” 要跟踪项目的发展,您可以查看。 Aethos 2.0有什么新功能? 有关v2.0中Aethos的新功能和更改的摘要,请阅读此。 另外,还有一个谷歌协同合作的笔记本电脑提供。 目录 介绍 Aethos是一个库/平台,可在管道的任何阶段自动执行数据科学和分析任务。 Aethos的核心是统一的API,可帮助自动化来自各种库(例如熊猫,sci-kit学习,gensim等)的分析技术。 Aethos
  3. 所属分类:其它

    • 发布日期:2021-02-05
    • 文件大小:3145728
    • 提供者:weixin_42151305
  1. ml-workflow-automation:Python机器学习(ML)项目,演示了Jupyter笔记本中的原型ML工作流程,并在Kubernetes上将模型自动部署为RESTful服务-源码

  2. 自动化原型机器学习工作流程和模型部署 该存储库包含一个基于Python的机器学习(ML)项目,其主要目的是演示Jupyter笔记本中的原型ML工作流程,以及使用托管的Titanic二进制分类数据集来实现一些关键步骤自动化的概念验证思想。在。 ML工作流程包括:数据探索和可视化,特征工程,模型训练和选择。 笔记本titanic-ml.ipynb还会产生一个持久的预测管道(被分配到models目录),该管道在模型部署过程的下游使用。 请注意,我们已经将CSV格式的数据从Kaggle下载到了该项目的根
  3. 所属分类:其它

    • 发布日期:2021-02-04
    • 文件大小:7340032
    • 提供者:weixin_42103587
  1. 自动化的机器学习(AutoML):将AutoML部署到云中

  2. AutoML是一个很宽泛的术语,理论上来说,它囊括从数据探索到模型构建这一完整的数据科学循环周期。但是,我发现这个术语更多时候是指自动的特征预处理和选择、模型算法选择和超参数调优,这些步骤处在数据科学流程的末端。流程中的早期步骤,即数据探索、清理和特征工程很难自动化,因为它们既需要专业知识,也需要人为判断。令人高兴的是,AutoML可让模型选择和开发等工作中冗长单调的步骤实现自动化,从而解放数据科学家,让他们关注更有趣的工作。下面我将详细介绍部署AutoML服务的经验。1.AutoML可为模型选
  3. 所属分类:其它

    • 发布日期:2021-01-27
    • 文件大小:257024
    • 提供者:weixin_38609089
  1. 机器学习:特征工程工作流程

  2. 特征是数据中抽取出来的对结果预测有用的信息,可以是文本或者数据。特征工程是使用专业背景知识和技巧处理数据,使得特征能在机器学习算法上发挥更好的作用的过程。过程包含了特征提取、特征构建、特征选择等模块。 特征工程的目的是筛选出更好的特征,获取更好的训练数据。因为好的特征具有更强的灵活性,可以用简单的模型做训练,更可以得到优秀的结果。“工欲善其事,必先利其器”,特征工程可以理解为利其器的过程。互联网公司里大部分复杂的模型都是极少数的数据科学家在做,大多数工程师们做的事情基本是在数据仓库里搬砖,不断地
  3. 所属分类:其它

    • 发布日期:2021-01-27
    • 文件大小:717824
    • 提供者:weixin_38665411