Библиотека задач по Data Science | тесты, код, задания

👆 Верный ответ на предыдущую задачу: C Вернёмся к Pandas и затронем работу со строками. Что выведет этот код? A) ['example.com', 'example.com', 'example.com', 'example.com'] B) 0 example.com 1 example.com 2 example.com 3 example.com dtype: object C) Series([], dtype: object) D) Ошибка выполнения кода

👆 Верный ответ на предыдущую задачу: C ✏️ А сегодня придётся считать. Дана матрица ошибок (Confusion matrix) по модели, предсказывающей наличие заболевания у пациентов. «Yes» означает «Болен», «No» — «Здоров». Всего тест на болезнь сделали 165 человек. Модель предсказала, что больны 110 человек, а здоровы — 55. В реальности 105 человек больны, а 60 здоровы. Значение какой метрики получается самым высоким? A) Accuracy B) Precision C) Recall D) Specificity В комментариях есть подсказка 👇

Что будет выведено на экран после выполнения этого кода? A) [11, 22, 33, 44, 55] B) Ошибка, поскольку операция сложения не может быть применена к двум столбцам DataFrame. C) Series([11, 22, 33, 44, 55], dtype: int64) D) DataFrame с двумя столбцами 'A' и 'B'. Ответ пишите в комментарии👇

Запустится ли этот код на Python 3? Если да, то что он выведет? sys.allow_boolean_assignment разрешает создавать переменные с именами, зарезервированными под идентификаторы типа bool. Поэтому этот код запустится и выведет "True is False". Эта настройка введена в известном первоапрельском коммите, который до сих пор остался в коде интерпретатора. Если кандидат об этом знает, можно с уверенностью сказать, что он общается в должных профессиональных кругах и любят углубляться в детали.

🤖 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👈

Объясните, что такое регуляризация и почему она полезна Регуляризация в области машинного обучения — прием, который заключается в наложении дополнительных ограничений на условие задачи с целью предотвратить переобучение системы или решить некорректно поставленную задачу. В большинстве случаев эти ограничения выражаются в виде штрафа за избыточную сложность модели. Прогнозы модели должны затем минимизировать функцию потерь, вычисленную на регуляризованном обучающем наборе.

Какие виды аугментаций вы знаете? Существует множество видов дополнений, которые можно использовать в зависимости от типа данных, с которыми вы работаете, включая геометрическое и числовое преобразование, PCA, обрезку, заполнение, сдвиг, введение шума и т. д.

Что такое модуль __init__.py? Модуль __init__.py является частью организации пакетов (packages) в Python. Этот файл используется для определения директории как пакета и может содержать код и переменные, которые будут доступны при импорте пакета. Важно отметить, что __init__.py не является обязательным для всех директорий, но он необходим, чтобы Python интерпретировал директорию как пакет.

Каковы ключевые шаги аналитического проекта? ✍️ Изучение бизнес-проблемы и целей анализа. ✍️ Исследование данных и знакомство с ними. ✍️ Подготовка данных к моделированию путем их очистки (обнаружение выбросов и пропусков, трансформация переменных и т.д.) ✍️ Запуск модели и нахождение оптимальных гиперпараметров. ✍️ Валидация модели на новых данных. ✍️ Ввод модели в эксплуатацию и получение выводов на основе ее предсказаний.

Когда стоит применять глубокое обучение? Глубокое обучение стоит применять в следующих случаях: 1. Когда у вас есть большой объем данных. Глубокое обучение может эффективно использовать большие наборы данных и извлекать из них сложные закономерности. 2. Когда задача требует извлечения сложных признаков. Глубокие нейронные сети могут автоматически извлекать иерархические признаки из данных, что делает их полезными в задачах комплексного распознавания или классификации. 3. Когда требуется высокая точность предсказаний. Глубокие модели могут достичь высокой точности в различных задачах, таких как распознавание изображений, обработка естественного языка или рекомендательные системы. 4. Когда у вас есть доступ к достаточным ресурсам. Для обучения глубоких моделей требуется большая вычислительная мощность и память. Поэтому для использования глубокого обучения необходимо иметь доступ к соответствующему оборудованию или облачным сервисам. 5. Когда нет явного понимания задачи или какие признаки следует использовать. Глубокое обучение может быть полезным в ситуациях, когда нет ясного представления о том, какие признаки следует использовать для решения задачи, так как нейронные сети могут автоматически изучить релевантные признаки из данных. Однако стоит отметить, что глубокое обучение может быть вычислительнозатратным и требовать большого количества данных для обучения. Поэтому иногда более простые модели могут быть более подходящими вариантами, особенно если у вас ограниченные ресурсы или небольшой объем данных.

🧑‍💻 Статьи для IT: как объяснять и распространять значимые идеи Напоминаем, что у нас есть бесплатный курс для всех, кто хочет научиться интересно писать — о программировании и в целом. Что: семь модулей, посвященных написанию, редактированию, иллюстрированию и распространению публикаций. Для кого: для авторов, копирайтеров и просто программистов, которые хотят научиться интересно рассказывать о своих проектах. 👉Материалы регулярно дополняются, обновляются и корректируются. А еще мы отвечаем на все учебные вопросы в комментариях курса.

Опишите различные этапы аналитического проекта. Понимание проблемы в бизнесе Изучение и анализ данных Подготовка данных для моделирования, включая удаление выбросов, преобразование переменных и обработку пропущенных значений Запуск модели и анализ результатов для внесения соответствующих изменений или модификаций (итеративный процесс до достижения оптимальных результатов) Проверка модели с использованием новых данных Внедрение модели и отслеживание ее производительности для анализа эффективности