暂时未有相关云产品技术能力~
聚焦「 数据科学 | 深度学习 | 生命科学 | Python | 机器学习 」等前沿交叉学科,定期分享理论教程与应用实践等。
Python日学壹技:性能分析
提高CV模型训练性能的 9 个技巧
决策树(Decision Tree)是有监督学习中的一种算法,并且是一种基本的分类与回归的方法。决策树有两种:分类树和回归树。
之前我们详细研究了混淆矩阵、模型准确性、精确度和召回率。我们也使用 `Scikit-learn` 库来计算这些指标。现在我们将扩展讨论以了解如何使用精度和召回率来计算 `mAP`。
相似性度量是许多数据分析和机器学习任务中的重要工具,使我们能够比较和评估不同数据片段之间的相似性。有许多不同的指标可用,每个指标各有利弊,适用于不同的数据类型和任务。
模型性能分析:ROC 分析和 AUC
类别不平衡是一个常见问题,其中数据集中示例的分布是倾斜的或有偏差的。
装饰器是应用“Python 之禅”哲学的最佳 Python 特性。装饰器可以帮助您编写更少、更简单的代码来实现复杂的逻辑并在任何地方重用它。
机器学习: Label vs. One Hot Encoder
深度学习中的潜在空间
机器学习模型集成管理介绍
机器(深度)学习中的 Dropout
异步编程是一种不会阻塞的编程范式。相反,请求和函数调用会在未来某个时间以某种方式在后台发出和执行。这使调用者有时间执行其他活动,并在结果可用或调用者感兴趣时稍后处理发出的调用的结果。
广义上,asyncio 是指使用协程在 Python 中实现异步编程的能力。
从广义上讲,Asyncio 是新的、流行的、讨论广泛的和令人兴奋的。然而,对于何时应该在项目中采用它存在很多困惑。
Python 提供一流的协程,具有“coroutine”类型和新的表达式,如“async def”和“await”。它提供了用于运行协程和开发异步程序的“asyncio”模块。
我们可以在我们的 Python 程序中定义协程,就像定义新的子例程(函数)一样。一旦定义,协程函数可用于创建协程对象。“asyncio”模块提供了在事件循环中运行协程对象的工具,事件循环是协程的运行时。
asyncio 程序的核心是事件循环。在本节中,我们将花点时间看一下 asyncio 事件循环。
您可以从 asyncio 程序中的协程创建任务对象。任务提供独立调度和运行的协程的句柄,并允许查询、取消任务,以及稍后检索结果和异常。异步事件循环管理任务。因此,所有协程都成为事件循环中的任务并作为任务进行管理。
任务是异步程序的货币。在本节中,我们将仔细研究如何在我们的程序中与它们交互。
ChIP-seq 分析:数据比对(3)
染色质免疫沉淀,然后进行深度测序 (ChIPseq) 是一种成熟的技术,可以在**全基因组范围内识别转录因子结合位点和表观遗传标记**。
[本课程](https://rockefelleruniversity.github.io/RU_ChIPseq/ "Source")介绍 Bioconductor 中的 ChIPseq 分析。该课程由 4 个部分组成。这将引导您完成正常 ChIPseq 分析工作流程的每个步骤。它涵盖比对、QC、`peak calling`、基因组富集测试、基序富集和差异 ChIP 分析。
今天将继续回顾我们在上一次中研究的 Myc ChIPseq。这包括用于 MEL 和 Ch12 细胞系的 Myc ChIPseq 及其输入对照。
在过去的几年里,我们看到了基于 Transformer 的模型的兴起,并在自然语言处理或计算机视觉等许多领域取得了成功的应用。
-
本系列将持续更新20个机器学习的知识点,欢迎关注。
我们可以反省在 asyncio 事件循环中运行的任务。这可以通过为当前运行的任务和所有正在运行的任务获取一个 asyncio.Task 对象来实现。
随机森林实际上是一组不相关的决策树进行预测并达成共识。这种共识是回归问题的平均分数和分类问题的多数规则