Machine Learning
Regresja logistyczna bez tajemnic: interpretacja współczynników i pułapki
Poznaj praktyczne zastosowania regresji logistycznej, interpretację współczynników, ograniczenia modelu i kiedy wybrać inne algorytmy
FPID / BAZA WIEDZY
Machine Learning
Machine Learning to materiały o budowaniu, ocenie i wdrażaniu modeli uczących się na danych. W kategorii wyjaśniamy regresję logistyczną, dobór metryk klasyfikacji, walidację krzyżową i tworzenie systemów rekomendacyjnych. Poruszamy również trening oraz deployment modeli w chmurze, a także narzędzia do pracy ze skalowaniem dużych zbiorów…
Machine Learning
Jak dobrać metryki do klasyfikacji: accuracy, F1 i ROC AUC w praktyce
Dowiedz się, kiedy użyć accuracy, F1 i ROC AUC, aby metryki naprawdę odzwierciedlały cele biznesowe i…
Machine Learning
Jak zbudować model rekomendacji: collaborative filtering i podejście hybrydowe
Poznaj etapy budowy systemu rekomendacji, od prostego top N po zaawansowane modele collaborative filtering i podejścia…
Machine Learning
Uczenie maszynowe w chmurze: szybki start z treningiem i deploymentem
Dowiedz się, jak trenować i wdrażać modele ML w chmurze, skalować zasoby, optymalizować koszty i szybko…
Machine Learning
Cross-validation: kiedy warto, a kiedy szkoda czasu?
Cross-validation to podstawa w uczeniu maszynowym, ale czy zawsze warto poświęcać czas na tę procedurę? Czy…
Machine Learning
Scaling big data: polars, Dask i Spark w porównaniu
W dzisiejszym świecie ilość danych, z jakimi się spotykamy, rośnie w zastraszającym tempie. W naszym najnowszym…
Machine Learning
Stabilizacja uczenia wielkich LLM-ów: gradient checkpointing
Nowa technika gradient checkpointing revolutionizes training large language models. Stabilizacja uczenia wielkich LLM-ów, czy to będzie…
Machine Learning
Cost-sensitive learning: gdy klasy nie są równe
Biznes musi dostosowywać swoje strategie do różnych klas klientów. Cost-sensitive learning pozwala na lepsze zrozumienie ich…