​​Пример прогнозирования позитивных или негативных настроений отзывов пользователей с помощью BigQuery ML и новой функции ML.NGRAMS.

via @BigQuery

Алла Маюрова has been banned! Reason: CAS ban.

Cas ban

Message from . Chira deleted. Reason: external link (?)

Рекомендательные системы для ритейла (вероятностные модели). Что скажите? Цена вопроса, сложность и опыт внедрения? Нужна консультация

всем привет.
может кто просветить
хочу заказать разработку программы.
обучение по примерам ,  а потом поиск похожего в новом файле.
где можно разместить заказ?

🔫 User кикнут — вернуть этого пользователя можно только разбаном в настройках чата.

Проголосовавшие за кик:
@twobeerornottwobear, @eto_j_kotek, @DefragmentedPanda, @TricksterRus, @torsello

Плюсы случайного леса

   высокая точность предсказания, немного лишь уступающая бустингу
   не очень чувствителен к выбросам
   также, как и обычные деревья, не чувствителен к масштабу признаков
   весьма хорошо работает из коробки
   эффективно работает с большим числом признаков и классов
   сложно переобучить
   имеется возможность оценки важности признаков
   возможно распрараллелить


Минусы случайного леса

   хуже работет в случае разреженных признаков
   также, как и обычные деревья, не умеет экстраполировать
   склонен к переобучению на зашумленных данных
   большой размер модели





Плюсы AdaBoost

   данный алгоритм очень прост для реализации
   эффективен с точки зрения вычислительной сложности
   позволяет решать достаточно сложные задачи с помощью слабых моделей
   фактически только два параметра настройки: класс моделей и их количество
   обеспечивает высокую точность прогнозирования
   прост для модификации



Плюсы GBM

   один из наиболее мощных алгоритмов распознования
   если использовать в качестве базовой модели решающее дерево, то не очень чувствителен к масштабу данных
   множество способов улучшить алгоритм
   общий подход к решению задачи
   подходит под регрессию, классификацию и ранжирование
   можно использовать произвольную функцию потерь (зависит от поставленной задачи)
   есть очень хорошие готовые решения


Минусы

   довольно трудоемкий алгоритм, если использовать много базовых моделей
   в "чистой" реализации очень склонен к переобучению
   не подходит для использования со сложными или сильными моделями
  иногда довольно сложная настройка
  неинтерпретируем



Slide Type
Минусы AdaBoost

   использование сложных или сильных моделей приводит к переобучению
   чувствительность к выбросам (им достаются самые высокие значения весов), что приводит к переобучению
   практически не поддается интерпретации
   желательно иметь достаточно большую выборку, иначе может привести к переобучению

🔫 Fleya кикнут — вернуть этого пользователя можно только разбаном в настройках чата.

Проголосовавшие за кик:
@twobeerornottwobear, Yurii, @arthin, @DenisKalyshkin, @DefragmentedPanda

The Illustrated BERT, ELMo, and co. (How NLP Cracked Transfer Learning)

https://jalammar.github.io/illustrated-bert/

Habr ru: https://habr.com/ru/post/487358/

BERT FineTuning with Cloud TPUs notebook: https://colab.research.google.com/github/tensorflow/tpu/blob/master/tools/colab/bert_finetuning_with_cloud_tpus.ipynb

На https://t.me/ICT_Moscow_chat планируется текстовая трансляция с OpenTalks.AI

Вчера на туториалах хорошо рассказывали про Берт

https://meduza.io/news/2019/03/14/gosduma-prinyala-zakon-o-nakazanii-dlya-kriminalnyh-avtoritetov?utm_source=telegram.org&utm_medium=share_telegram&utm_campaign=share
Канал «Медузы»: @meduzalive

?

Привет 👋

йо