Библиотека задач по Data Science | тесты, код, задания

✍️ Разбираем сложные задачи прошедшей недели 1️⃣ Для рекомендательных систем используется несколько подходов. Один из них — подход, основанный на контенте (content-based). Такая система анализирует специфические данные о товарах и услугах, такие как описания, отзывы, метаданные. Рекомендации строятся на базе этих характеристик: жанр, производитель, конкретные функции и т.д. Поэтому content-based можно назвать систему, которая предлагает музыку по анализу предпочтений пользователя и характеристик его любимых песен. 2️⃣ Метод numpy.flip переворачивает массив элементов вдоль какой-то из осей. Так, при помощи np.arange(10, 50, 10) мы создаём массив [10, 20, 30, 40]. Затем np.flip(a) возвращает такой массив [40, 30, 20, 10]. Соответственно, c = b[1] извлекает второй элемент перевёрнутого массива, который равен 30. 3️⃣ Word2Vec позволяет получить векторные представления слов. Существуют две основные архитектуры для этого: Skip-Gram и Continuous Bag of Words (CBOW). В модели Skip-Gram центральное слово используется для предсказания контекстных слов. CBOW использует контекстные слова для предсказания центрального слова. #разбор_задач

🤖 Напоминаем, что у нас есть еженедельная email-рассылка, посвященная последним новостям и тенденциям в мире искусственного интеллекта. В ней: ● Новости о прорывных исследованиях в области машинного обучения и нейросетей ● Материалы о применении ИИ в разных сферах ● Статьи об этических аспектах развития технологий ● Подборки лучших онлайн-курсов и лекций по машинному обучению ● Обзоры инструментов и библиотек для разработки нейронных сетей ● Ссылки на репозитории с открытым исходным кодом ИИ-проектов ● Фильмы, сериалы и книги 👉Подписаться👈

✍️ Воскресный разбор задач 1️⃣ Чтобы подсчитать количество настраиваемых параметров в логистической регрессии для 5 классов и 10 признаков с bias, воспользуемся формулой: 5 классов * (10 признаков + 1 bias) = 5 * 11 = 55 У многоклассовой логистической регрессии вместо вектора весов используется матрица, количество строк в которой соответствует количеству классов, а количество столбцов — количеству признаков. К признакам мы прибавляем +1, так как используем bias. 2️⃣ Здесь нужно знать, что в NumPy оператор * выполняет поэлементное умножение массивов, а оператор @ — матричное умножение. 3️⃣ Этот код перебирает все элементы i в списке lst и проверяет остаток от деления i на 2. В Python ноль считается False, а любое ненулевое значение считается True. Поскольку чётные числа дают остаток 0 при делении на 2, они будут исключены, а нечётные числа, дающие остаток 1, будут включены в новый список. #разбор_задач