Co tam na giełdzie słychać? GPW-ML #1

Lampion

Prawie każdy, komu udało się przewidzieć coś przy pomocy uczenia maszynowego, mniej więcej trzy sekundy po sukcesie wyobraził sobie, jak przewiduje przyszłe wartości spółek giełdowych (lub kryptowalut - ale to przestało być modne ostatnio ;-)). Szczególnie jeśli ostatnio oglądał film Pi (gorąco polecam - nie widzę niestety na żadnym VOD). Giełda, jaka jest, każdy widzi. … Czytaj dalej Co tam na giełdzie słychać? GPW-ML #1

Silhouette Coefficient – czy dobrze pogrupowałem obserwacje?

Inspekcja

Powróćmy na chwilę do uczenia nienadzorowanego. Dwa artykuły temu pisałem o jednym z prostszych i jednocześnie użytecznych algorytmów - k-średnich. Zapoznaliśmy się ze sposobem jego działania i z wynikami które dzięki niemu uzyskujemy (koncentrycznie pogrupowane obserwacje). Nie umknęła nam też największa wada tego algorytmu - ustalanie liczby grup, które chcemy uzyskać (tytułowe k). Czasem ustalenie … Czytaj dalej Silhouette Coefficient – czy dobrze pogrupowałem obserwacje?

Jakość powietrza w Polsce #3 – gdzie brakuje nam czujników?

Krasnal

Od jakiegoś czasu potrafimy się dobrać do danych z czujników powietrza w Polsce (sprawdź artykuły spod tagu powietrze). Potrafimy też określić, ile ich w ogóle jest i gdzie są rozmieszczone. Spróbujmy więc może określić, gdzie tych czujników jest najmniej. To znaczy, spróbujmy wyznaczyć największą czujnikową białą plamę na mapie Polski. Nie jest to zagadnienie stricte … Czytaj dalej Jakość powietrza w Polsce #3 – gdzie brakuje nam czujników?

shap.summary_plot, czyli kilka kolejnych słów o zaglądaniu do modelu

Dźwig

Ostatnio w komentarzach coraz częściej spotykam się z opinią, że nie sztuką jest stworzyć model, ale sztuką jest (powinno?) interpretacja uzyskanych wyników w kontekście problemu, który rozwiązujemy. Z drugiej strony, są też całe kursy od niesamowitych wymiataczy (np. course.fast.ai), których motto brzmi mniej więcej - zacznij jak najszybciej, a później będziemy się wgłębiać w detale. … Czytaj dalej shap.summary_plot, czyli kilka kolejnych słów o zaglądaniu do modelu

Analiza skupień na przykładzie algorytmu k-średnich

Gargulec

Jednym z ciekawszych, a jednocześnie nie jednym z pierwszych zagadnień, na które można natrafić w uczeniu maszynowym, jest analiza skupień. Brzmi to trochę groźnie, ale tak naprawdę chodzi o sensowne grupowanie obserwacji w celu uzyskania jakiejś dodatkowej informacji. Analiza skupień to jedna z dziedzin uczenia nienadzorowanego. Dziedzina ta należy do uczenia nienadzorowanego, gdyż nie mamy … Czytaj dalej Analiza skupień na przykładzie algorytmu k-średnich