классификация. - страница 2

Jev за 25 строк на Python

My name is JevВсе кому не лень говорят о Jev. Jev тут, Jev там. Все в Twitter только и говорят о Jev, что это следующее достижение больших языковых моделей и парадигмы ИИ. Мы в этом не уверены. Поэтому вот Jev за 25 строк на Python.Загрузим модель.

продолжить чтение

Jev: как устроен его API решений и что на нём уже строят

15 сентября TypeSafe показала Jev (произносится Джев)

продолжить чтение

0.9 от вашего классификатора — это не 90%: почему модели врут о своей уверенности и как это чинить

Материал подготовлен в рамках курса «Машинное обучение. Экспертный уровень».Привет, Хабр! Обучили классификатор, он выдаёт predict_proba, вы берёте эти числа как вероятности и строите на них логику: если модель уверена больше чем на 0.8 — принимаем автоматически, меньше — отправляем человеку. Порог 0.8 выбран как «модель права в 80% случаев».Вот только модель, скорее всего, права совсем не в 80% случаев на этом пороге. Число 0.8

продолжить чтение

TAPe+ML: детекция, классификация и теперь и сегментация SOTA‑уровня в 0.1M параметров

кадр из фильма Космическая Одиссея 2001

продолжить чтение

Еще одна мировая революция. Мы улучшили модель для любых CV-задач, добавив сегментацию. И еще лучше SOTA

кадр из фильма Космическая Одиссея 2001

продолжить чтение

Поговорим о градиентном бустинге

Привет, Хабр! Меня зовут Андрей Бирюков. Я — независимый эксперт в области ИТ и ИБ, преподаю в учебных центрах и пишу статьи и книги. В современном машинном обучении градиентный бустинг занимает уникальное положение. На табличных данных он часто превосходит более сложные архитектуры, оставаясь при этом алгоритмом, чья внутренняя логика поддается математически строгой интерпретации. Его принцип — последовательное исправление ошибок, то есть превращение ансамбля слабых моделей в мощный предсказательный инструмент.Бустинг как последовательная компенсация ошибок

продолжить чтение

Как мы реализовали оптимальное обучение моделей в Luna Line. Часть 1. Классификация

Привет, Хабр! Меня зовут Анастасия Белозерова, я тимлид исследовательской команды, работающей над продуктом Luna Line

продолжить чтение

Конформные предсказания: интервалы с гарантией покрытия без предположений о распределении

Модель регрессии выдаёт число, модель классификации — вектор softmax-вероятностей, и оба молчат о том, насколько им можно верить на конкретном объекте. softmax-вероятность 0.9 не означает, что в 90% таких случаев ответ верен, а точечный прогноз цены ничего не говорит о том, в каком диапазоне реально лежит истина. Обычные способы добавить неопределённость опираются на предположения: доверительные интервалы линейной регрессии — на нормальность остатков, байесовские — на корректность априорных, bootstrap — на репрезентативность выборки.

продолжить чтение

Неоднозначные выводы о ROI в УЗИ классификации

В медицинском компьютерном зрении есть идея, перед которой трудно устоять: сначала найти патологический объект, а потом классифицировать уже не весь снимок, а только его. Для УЗИ это звучит почти как здравый смысл. В полном кадре хватает всего, что модели, казалось бы, видеть не нужно: подписи аппарата, измерительные маркеры, шум, лишний фон. Логика простая: берём маску опухоли, оставляем область интереса, всё остальное закрашиваем — и даём классификатору «чистую» картинку.

продолжить чтение

Разбираемся в ML без воды: от базы до Attention. Часть 7: SVM и SGD

В шестой части мы разобрали логистическую регрессию и увидели, как линейная модель может разделять классы с помощью вероятностного подхода. В этой части поговорим о SVM — алгоритме, который ищет не просто разделяющую гиперплоскость, а оптимальную границу с максимальным зазором между классами. Если логистическая регрессия отвечала на вопрос "с какой вероятностью объект принадлежит классу?", то философия SVM звучит иначе "где провести наиболее устойчивую границу между классами?".Support vector machineSupport vector machine (SVM), или же метод опорных векторов

продолжить чтение