کتابخانه Seaborn برای مصورسازی داده در پایتون: بخش سوم

کتابخانه Seaborn را در این مقاله مورد توجه قرار می دهیم که یک کتابخانه بسیار مفید مصورسازی داده در پایتون محسوب می گردد. کتابخانه Seaborn روی Matplotlib ساخته می شود و قابلیت های پیشرفته بسیاری در رابطه با مصورسازی داده ارائه می کند.

در مقاله اول نحوه استفاده از کتابخانه Seaborn برای رسم نمودارهای توزیعی و در مقاله دوم نحوه رسم نمودارهای دسته ای(categorical) را مورد بررسی قرار دادیم. در این مقاله نحوه رسممودارهای رگرسیونی، نمودارهای ماتریسی و نمودارهای شبکه ای مورد توجه قرار خواهد گرفت.

کتابخانه Seaborn برای مصورسازی داده در پایتون: بخش دوم

Seaborn را در این مقاله مورد توجه قرار می دهیم که یک کتابخانه بسیار مفید مصورسازی داده در پایتون محسوب می گردد. کتابخانه Seaborn روی Matplotlib ساخته می شود و قابلیت های پیشرفته بسیاری در رابطه با مصورسازی داده ارائه می کند.

در مقاله قبلی نحوه استفاده از کتابخانه Seaborn برای رسم نمودارهای توزیعی را مورد بررسی قرار دادیم. در این مقاله نحوه رسم نمودارهای دسته ای(categorical) مورد توجه قرار خواهد گرفت.

کتابخانه Seaborn برای مصورسازی داده در پایتون: بخش اول

Seaborn را در این مقاله مورد توجه قرار می دهیم که یک کتابخانه بسیار مفید مصورسازی داده در پایتون محسوب می گردد. کتابخانه Seaborn روی Matplotlib ساخته می شود و قابلیت های پیشرفته بسیاری در رابطه با مصورسازی داده ارائه می کند.
کتابخانه Seaborn را جهت رسم انواع چارت هایی چون نمودارهای ماتریسی، نمودارهای شبکه ای (Grid)، نمودارهای رگرسیونی و غیره می توان مورد استفاده قرار داد.

مقدمه ای بر مدل پنهان مارکوف با استفاده از پایتون Networkx و Sklearn

یک زنجیره (مدل) مارکوفی، به توصیف یک فرآیند تصادفی می پردازد که در آن، احتمال مفروض حالت (ها)ی آینده، تنها به حالت فرآیند فعلی وابستگی دارد و به هیچ یک از حالت هایی که قبل از آن آمده اند، وابسته نیست.
«… یک فرآیند تصادفی که در آن، زمان آینده، با توجه به زمان حال، مستقل از زمان گذشته است.»
اجازه دهید به یک مثال ساده بپردازیم …

The Keras Functional API: چند مثال ساده

ساخت مدل در Keras، کار ساده و آسانی است. چنانچه این مقاله را میخوانید احتمالا با مدل ترتیبی (Sequential) و استفاده از لایه های مختلف جهت تشکیل مدل های ساده آشنا هستید. اما اگر بخواهید کار پیچیده تری انجام دهید، چی؟
Functional API یا API تابعی درواقع بهترین گزینه برای ساخت مدل های پیچیده به حساب می آید، چراکه قادر به انجام انواع اموری است که با مدل ترتیبی صرف، امکان پذیر نیستند.
پنج مورد از این مثال ها را در این پست مرور خواهیم کرد. فرض من بر این است که شما یک پیش زمینه در کار با Keras و در شرایط ایده آل، کار با API تابعی، از قبل دارید.

ساده ترین راه پیشگیری از بیش برازش کدام است؟

neither overfiting nor underfiting

تکنیک حذف تصادفی (Dropout)، آن طور که من دریافتم، یک تکنیک پیچیده اما کاربردی است. اصطلاح «حذف تصادفی» به تکنیکی اطلاق می شود که برخی گره های(node) شبکه را به صورت تصادفی حذف می کند. حذف تصادفی را می توان به صورت غیرفعال سازی موقت یا نادیده گیری نورون های شبکه درنظر گرفت. این تکنیک در فاز آموزش، جهت کاهش بیش برازش بکار می رود.

پروژه ای در آنالیز و پیش بینی سری زمانی با استفاده از پایتون

آنالیز سری زمانی، روش های آنالیز داده های سری زمانی برای استخراج آمار معنادار و سایر ویژگیهای را دربر می گیرد. پیش بینی سری زمانی، بکارگیری یک مدل برای پیش بینی مقادیر آینده براساس مقادیر پیشتر مشاهده شده است.

سری زمانی، به میزان گسترده ای برای داده های ناایستا(non-stationary) مانند اقتصاد، آب و هوا، قیمت سهام و خرده فروشی مورد استفاده قرار میگیرد. در این پست رویکردهای مختلف پیش بینی سری زمانی خرده فروشی را شرح خواهیم داد. بیایید شروع کنیم!

و اما شبکه عصبی چیست؟ بخش اول

من فکر می کنم نیازی به ایجاد انگیزه و بیان ارتباط و اهمیت یادگیری ماشین و شبکه های عصبی را که از حال تا آینده به شدت مورد نیاز است، نباشد. اما آنچه که من می خواهم بگم این است که به شما نشان دهم که شبکه عصبی در واقع چیست با فرض اینکه هیچ پس زمینه ایی ندارید و کمک به تجسم کردن آنچه که آن را نه به عنوان یک عبارت مبهم بلکه به عنوان یک قطعه ریاضی انجام می دهد.

مقدمه ای اجمالی بر انواع نرم بردار در یادگیری ماشین

محاسبه طول یا بزرگی بردارها، اغلب یا بطور مستقیم بصورت یک روش رگولاریزاسیون در یادگیری ماشین یا به عنوان بخشی از عملیات های برداری یا ماتریسی وسیعتر باید صورت گیرد.

روشهای مختلف محاسبه طول یا بزرگی بردار را در این دوره آموزشی درمییابید که نرم بردار نامیده میشود.