Data Science: Алгоритмы и Структуры данных

Хочешь заговорить на английском, но не с кем практиковаться? Появилась ИИ-девушка, с которой можно общаться голосовыми на любые темы, как с носителем. Она слушает твою речь, подробно исправляет ошибки и помогает говорить увереннее. Попробовать можно бесплатно. 🇬🇧 Английский: @ChattyEnglishBot 🇩🇪 Немецкий: @ChattyGermanBot 🇪🇸 Испанский: @ChattySpanishBot 🇫🇷 Французский: @ChattyFrenchBot 🇮🇹 Итальянский: @ChattyItalianBot 🇵🇹 Португальский: @ChattyPortugueseBot 🇨🇳 Китайский: @ChattyChineseBot 🇯🇵 Японский: @ChattyJapaneseBot 🇰🇷 Корейский: @ChattyKoreanBot 🇸🇦 Арабский: @ChattyArabicBot 🇹🇷 Турецкий: @ChattyTurkishBot 🇷🇺 Русский: @ChattyRussianBot 🇵🇱 Польский: @ChattyPolandBot

Шаги решения любой задачи Нашел статью недавно и понимаю теперь где я косячил в самом начале. Никогда не пытайтесь сразу решать задачу оптимизированно. Или, что еще хуже, тупо не разбираясь в самой проблеме стараться ее зазубрить. Поверьте - это не выход и так вы ничему не научитесь. В статье описываются шаги того, что надо сделать приступая к любой проблеме: 1. Понять саму проблему 2. Выбрать общее направление по решению проблемы. 3. Подумайте что вы можете сделать (используя ваш предыдущий опыт) 4. Попробуйте найти, что вы не можете сделать. А также в этом кейсе подумайте и над исключительными ситуациями, которые могут произойти. 5. Только теперь подумайте над тем, что вы можете улучшить в текущем решении. Data Science: Алгоритмы и Структуры данных | Чат 💬

Список библиотек с открытым исходным кодом для развертывания, мониторинга и масштабирования проектов машинного обучения ➡️Ссылка на Github Data Science: Алгоритмы и Структуры данных | Чат 💬

Экспоненциальный поиск или Finger Search Finger Search ищет элемент в отстортированном массиве, перескакивая 2 ^ i элеентов на каждой итерации, где i представляет значение переменной управления циклом. После идет проверка: присутствует ли элемент поиска между последним и текущим переходом. Как это работает? 1. Проходите по элементам массива по 2 ^ i за один раз, выполняя поиск условия: Array[2 ^ (i - 1)] < valueWanted < Array[ 2 ^ i] Если 2 ^ i больше, чем длина массива, установите верхнюю границу равной длине массива 2. Выполните двоичный поиск между массивами Array[2 ^ (i - 1)] и Array[2 ^ i] Data Science: Алгоритмы и Структуры данных | Чат 💬

Знакомим с разработкой и учим думать, как программист. Подготовительный 14-дневный курс по Python для новичков 🐍 Даём только мясную и прикладную информацию. Никакой воды и траты времени! По окончании вы уже владеете базовым знанием языка. Вас ждет 69 уроков теории и практики прямо в браузере, вебинары, лайвкодинг и первая собственная программа на Python, написанная под руководством опытного наставника. Начинаем 9 ноября, вы с нами? Data Science: Алгоритмы и Структуры данных | Чат 💬

Ищете облачную платформу? Есть Beget ✅ Аптайм 99,98% в дата-центрах Tier III ✅ Техподдержка 24/7 — живые люди, без ботов ✅ Прозрачная оплата без скрытых платежей ✅ Более 200 000 клиентов доверяют Beget Узнать больше #реклама 16+ beget.com О рекламодателе

4 Python библиотеки для интерпретируемого машинного обучения Yellowbrick Эта Python библиотека и расширение пакета scikit-learn. Предоставляет некоторые полезные и симпатичные визуализации для моделей машинного обучения. Объекты визуализатора, основной интерфейс — оценки scikit-learn, поэтому если привыкли работать с scikit-learn, рабочий процесс покажется знакомым. ELI5 Ещё одна библиотека визуализации, которая пригодится для отладки моделей машинного обучения и объяснения сделанных прогнозов. Работает с самыми распространёнными инструментами машинного обучения на Python, включая scikit-learn, XGBoost и Keras. LIME Расшифровывается как локальные интерпретируемые, независимые от модели объяснения. Интерпретирует предсказания, сделанные алгоритмами машинного обучения. Lime поддерживает объяснение единичных прогнозов из диапазона классификаторов, а также взаимодействует с scikit-learn «из коробки». MLxtend В этой библиотеке найдёте массу вспомогательных функций для машинного обучения. Она охватывает классификаторы стекинга и голосования, оценку модели, выделение признаков, а также проектирование и построение графиков. Data Science: Алгоритмы и Структуры данных | Чат 💬

Алгоритм Interpolation Search 1. В цикле вычисляем значение позиции (pos), используя формулу, что обсуждали в предпоследнем посте. 2. Если есть совпадения, то вернуть индес элемента и выйти из цикла 3. Если элемент меньше, чем позиционный элемент, вычислить положение для левого подмассива, в противном случае в правом подмассиве 4. Повторять, пока не найдется совпадение или пока подмассив не уменьшится до нуля. Data Science: Алгоритмы и Структуры данных | Чат 💬

Выбор позиции для поиска в Interpolation Search Чтобы разделить массив на две части, мы используем следующую формулу: mid = Lo + ((Hi - Lo) / (A[Hi] - A[Lo])) * (X - A[Lo]), где A - наш искомый массив X - элемент, который мы ищем Lo - наименьший индекс массива Hi - наивысший индекс массива An - значение, хранящееся под индексом n в списке. Если средний элемент больше, чем искомый элемент, то позиция снова вычисляется, но уже в подмассиве. Это продолжается до тех пор, пока размер подмассива не уменьшится до нуля Data Science: Алгоритмы и Структуры данных | Чат 💬

«Прометей» — это решение для раннего обнаружения пожаров, в котором объединены ИИ, компьютерное зрение, автоматические дроны и сервисы прогноза погоды. ➡️Читать статью Data Science: Алгоритмы и Структуры данных

Interpolation Sort Имея отсортированный массив нам надо написать функцию поиска элемента. Линейный поиск сделает это за время O(n) , Jump Search - O(√ n), а бинарный за O(log n). Поиск с интерполяцией (Interpolation Sort) является улучшением по сравнением с бинарным поиском для экземпляров, где значения в отсортированном массиве равномерно распределены. Двоичный поиск всегда переходит к центру. Interpolation Sort может идти в разные места в соответствии с значением ключа, по которому выполняется поиск. Например, если значение ближе к последнему элементу, поиск выгоднее начать с конца. Сложность выйдет O(log(log n)). О том как выбрать значения ключа, поговорим в следующем посте. Data Science: Алгоритмы и Структуры данных | Чат 💬

Когда стоит использовать Jump Search Бинарный поиск - лучше, чем Jump Search. Для чего же тогда использовать Jump Search. У него есть одно преимущество перед бинарным поиском: мы возвращаемся назад только один раз. Для бинарного поиска может потребоваться до O(logN) переходов в ситуации, когда мы захотим найти элемент, который является наименьшим или даже меньше чем наименьший. Data Science: Алгоритмы и Структуры данных | Чат 💬

Несколько полезных вещей, которые необходимо знать о Machine Learning Повышаем квалификацию по ML. В данном документе содержится 11 полезных советов/уроков, одинаково применимых к машинному обучению и глубокому обучению. ➡️Читать документ Data Science: Алгоритмы и Структуры данных

Оптимально выбрать блок для пропуска в Jump Search В худшем случае мы должны делать n/m перехов. Где n - длина массива, а m - длина размера перехода. Если проверенное значение больше, чем искомый элемент, мы выполним m-1 сравнений больше, так как будем использовать линейный поиск. Общее количество сравнений в наихудшем случае будет ((n / m) + m - 1). Значение функции ((n / m) + m - 1) будет минимальным, когда m = √n. Следовательно, лучший размер шага будет являться m = √n Data Science: Алгоритмы и Структуры данных | Чат 💬

Jump Search Как и бинарный поиск, поиск с переходом(прыжком) выполним только для отсортированных массивов. Основная идея состоит в том, чтобы проверять меньшее количество элементов, перескакивая вперед на фиксированное количество шагов, пропуская их. Рассмотрим массив - 0, 1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144, 233, 377, 610, длина - 16. Размер блока возьмем - 4. Jump Search найдет значение 55 с помощью следующих шагов: 1. Переход от индекса 0 к индексу 4 2. Переход с индекса 4 к индеку 8 3. Перейсти с индекса 8 к индексу 12 4. Поскольку элемент с индексом 12 больше 55, мы вернемся на шаг назад. Переходим на индекс 8 5. Выполняем линейный поиск с индекса 8, чтобы получить элемент 55 Data Science: Алгоритмы и Структуры данных | Чат 💬

Теорема Байеса: Святой Грааль Data Science Теорема Байеса — одно из важнейших правил теории вероятностей, применяемых в Data Science. Рассмотрим интуитивный вывод теоремы на практике. ➡️Читать статью Data Science: Алгоритмы и Структуры данных

Операция поиска в Splay Tree Операция поиска в Splay Tree выполняет стандартный поиск BST, помимо поиска, также происходит и перемещение узла в корень. Если поиск успешный, то найденный узел перемещается и становится корневым. В противном случае последний узел, к которому было обращение (до достижения NULL) - перемещается в корень. Доступ к узлу 1. Через корень 2. Узел является дочерним по отношению к корню, либо левым потомком (применим правое вращение), либо правм потомком 3. Другие 2, которые расмотрим в будущем Data Science: Алгоритмы и Структуры данных | Чат 💬

Расширяющее (косое) дерево - Splay Tree Основная идея Splay Tree состоит в том, чтобы перенести элемент, к которому недавно осуществлен поиск(или доступ) в корень дерева. Тем самым дать возможность достучаться к нему повторно за O(1). Представьте себе ситуацию, когда у нас есть миллионы ключей, и лишь некоторые из них используются чаще других, что кстати говоря весьма вероятно во многих приложениях. Все операции с Splay Tree выполняются в среднем за O(log N) времени, где N - количество записей в дереве. В ближайшие дни рассмотрим основные операции над данным деревом. Data Science: Алгоритмы и Структуры данных | Чат 💬

Если вы хотите серьезно погрузиться в AI, то Вам просто необходимо освежить свои математические навыки! В данном видео автор описывает свою стратегию максимально быстрого изучения математики. ➡️Смотреть видео ⬇️ Скачать видео Data Science: Алгоритмы и Структуры данных

Реализация вставки в Trie (Python) Data Science: Алгоритмы и Структуры данных | Чат 💬