- PVSM.RU - https://www.pvsm.ru -
В течение нескольких месяцев мы собирали памятки по искусственному интеллекту, которыми периодически делились с друзьями и коллегами. В последнее время сложилась целая коллекция, и мы добавили к памяткам описания и/или цитаты, чтобы было интереснее читать. А в конце вас ждёт подборка по сложности «О большое» (Big-O). Наслаждайтесь.
Памятка по нейронным сетям
Памятка по графикам нейронных сетей
Памятка по нейронным сетям
Памятка по машинному обучению
Эта памятка по машинному обучению поможет найти подходящий алгоритм для оценки, что является наиболее сложной частью работы. Блок-схема поможет проверить документацию и задаст общее направление по каждому алгоритму. Это позволит лучше понять стоящие перед вами проблемы и способы их решения.
Scikit-learn (ранее известная как scikits.learn) — это бесплатная библиотека машинного обучения для Python. В нее входят различные виды классификации [1], регрессии [2] и алгоритмы кластеризации [3], включающие метод опорных векторов [4], алгоритм Random forest [5] («случайный лес»), градиентный бустинг [6], метод k-средних [7] и DBSCAN [8]. Scikit-learn предназначена для взаимодействия с вычислительными и научными библиотеками Python NumPy [9] и SciPy [10].
Памятка по Scikit-learn
Эта памятка от Microsoft Azure поможет с выбором подходящих алгоритмов машинного обучения для вашего предсказательного аналитического решения. Вначале памятка спросит о природе данных, а затем посоветует наилучший алгоритм.
Памятка по Python для Data Science
Памятка по большим данным
В мае 2017 года Google анонсировал TPU второго поколения, а также их доступность в Google Compute Engine [11]. TPU второго поколения обладают производительностью до 180 терафлопов, а при кластеризации по 64 TPU — до 11,5 петафлопов.
Памятка по TensorFlow
В 2017 году команда TensorFlow в Google решила внедрить поддержку Keras в основную библиотеку TensorFlow. Шолле (Chollet) объяснил, что Keras является, скорее, интерфейсом, чем сквозной системой машинного обучения. Он предоставляет высокоуровневый, более интуитивный набор абстракций, который упрощает конфигурирование нейронных сетей, вне зависимости от используемой в бэкенде библиотеки научных вычислений
NumPy предназначен для Cpython [12], эталонной реализации Python, которая является не оптимизирующим интерпретатором байт-кода. Математические алгоритмы, написанные для этой версии Python, часто работают гораздо медленнее скомпилированных аналогов. Библиотека NumPy частично решает проблему скорости за счет многомерных массивов, а также функций и операторов, оптимизированных для работы с массивами. Необходимо будет переписать часть кода с использованием NumPy, в основном внутренние циклы.
Памятка по NumPy
Название «Pandas» происходит от эконометрического термина "panel data [13]", который применяется для многомерных структурированных наборов данных.
Памятка по Pandas
Data Wrangling («выпас» данных, первичная обработка данных) — этот термин начинает проникать в поп-культуру. В фильме 2017 «Конг: Остров черепа» один из героев представлен как «Стив Вудвард, наш data wrangler».
Памятка по Data Wrangling
Памятка по Pandas Data Wrangling
Памятка по Data Wrangling с dplyr и tidyr
Памятка по Data Wrangling с dplyr и tidyr
В основе SciPy лежит объект-массив NumPy. Эта библиотека является частью стека NumPy, который включает такие инструменты, как Matplotlib [14], Pandas [15] и SymPy [16], а также расширяющийся набор библиотек для научных вычислений. У стека NumPy и приложений MATLAB [17], GNU Octave [18] и Scilab [19] одна и та же аудитория пользователей. Стек NumPy также иногда называют стеком SciPy.
Памятка по SciPy
Matplotlib — это библиотека для построения графиков для Python и его вычислительного математического расширения NumPy. Она предоставляет объектно-ориентированный API для встраивания графиков в приложения с использованием универсальных GUI-инструментов, таких как Tkinter [20], wxPython [21], Qt [22], или GTK+ [23]. Существует также процедурный интерфейс «pylab» на основе конечного автомата (например, OpenGL), разработанный так, чтобы походить MATLAB [17], хотя его использование не рекомендуется. SciPy [24] использует matplotlib.
Pyplot — это модуль matplotlib, который предоставляет интерфейс наподобие MATLAB. Matplotlib применяется так же, как и MATLAB, позволяет использовать Python, и к тому же бесплатен.
Памятка по Matplotlib
Памятка по визуализации данных
Памятка по ggplot
Памятка по PySpark
Памятка по сложности алгоритмов
Памятка по сложности алгоритмов
Памятка по сложности операций со структурами данных в алгоритмах
Памятка по сложности алгоритмов сортировки массива
Памятка по сложности алгоритмов [25]
Памятка по Bokeh [26]
Памятка по Data Science [27]
Памятка по Data Wrangling [28]
Памятка по Ggplot [29]
Памятка по Keras [30]
Памятка по машинному обучению [31]
Памятка по машинному обучению [32]
Памятка по машинному обучению [33]
Памятка по Matplotlib [34]
Памятка по нейросетям [35]
Памятка по графам нейросетей [36]
Нейросети [37]
Памятка по Numpy [34]
Памятка по Pandas [38]
Памятка по Pandas [39]
Памятка по Pyspark [40]
Памятка по Scikit [41]
Памятка по Scikit-learn [33]
Памятка по Scipy [42]
Памятка по TensorFlow [43]
Автор: NIX_Solutions
Источник [44]
Сайт-источник PVSM.RU: https://www.pvsm.ru
Путь до страницы источника: https://www.pvsm.ru/iskusstvenny-j-intellekt/287003
Ссылки в тексте:
[1] классификации: https://ru.wikipedia.org/wiki/%D0%97%D0%B0%D0%B4%D0%B0%D1%87%D0%B0_%D0%BA%D0%BB%D0%B0%D1%81%D1%81%D0%B8%D1%84%D0%B8%D0%BA%D0%B0%D1%86%D0%B8%D0%B8
[2] регрессии: https://ru.wikipedia.org/wiki/%D0%A0%D0%B5%D0%B3%D1%80%D0%B5%D1%81%D1%81%D0%B8%D0%BE%D0%BD%D0%BD%D1%8B%D0%B9_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7
[3] алгоритмы кластеризации: https://ru.wikipedia.org/wiki/%D0%9A%D0%BB%D0%B0%D1%81%D1%82%D0%B5%D1%80%D0%BD%D1%8B%D0%B9_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7
[4] метод опорных векторов: https://en.wikipedia.org/wiki/Support_vector_machine
[5] Random forest: https://ru.wikipedia.org/wiki/Random_forest
[6] градиентный бустинг: https://en.wikipedia.org/wiki/Gradient_boosting
[7] метод k-средних: https://ru.wikipedia.org/wiki/%D0%9C%D0%B5%D1%82%D0%BE%D0%B4_k-%D1%81%D1%80%D0%B5%D0%B4%D0%BD%D0%B8%D1%85
[8] DBSCAN: https://en.wikipedia.org/wiki/DBSCAN
[9] NumPy: https://ru.wikipedia.org/wiki/NumPy
[10] SciPy: https://ru.wikipedia.org/wiki/SciPy
[11] Google Compute Engine: https://en.wikipedia.org/wiki/Google_Compute_Engine
[12] Cpython: https://ru.wikipedia.org/wiki/CPython
[13] panel data: https://en.wikipedia.org/wiki/Panel_data
[14] Matplotlib: https://ru.wikipedia.org/wiki/Matplotlib
[15] Pandas: https://ru.wikipedia.org/wiki/Pandas
[16] SymPy: https://en.wikipedia.org/wiki/SymPy
[17] MATLAB: https://ru.wikipedia.org/wiki/MATLAB
[18] GNU Octave: https://ru.wikipedia.org/wiki/GNU_Octave
[19] Scilab: https://ru.wikipedia.org/wiki/Scilab
[20] Tkinter: https://ru.wikipedia.org/wiki/Tkinter
[21] wxPython: https://ru.wikipedia.org/wiki/WxPython
[22] Qt: https://ru.wikipedia.org/wiki/Qt
[23] GTK+: https://ru.wikipedia.org/wiki/GTK%2B
[24] SciPy: https://en.wikipedia.org/wiki/SciPy
[25] Памятка по сложности алгоритмов: http://bigocheatsheet.com/
[26] Памятка по Bokeh: https://s3.amazonaws.com/assets.datacamp.com/blog_assets/Python_Bokeh_Cheat_Sheet.pdf
[27] Памятка по Data Science: https://www.datacamp.com/community/tutorials/python-data-science-cheat-sheet-basics
[28] Памятка по Data Wrangling: https://www.rstudio.com/wp-content/uploads/2015/02/data-wrangling-cheatsheet.pdf
[29] Памятка по Ggplot: https://www.rstudio.com/wp-content/uploads/2015/03/ggplot2-cheatsheet.pdf
[30] Памятка по Keras: https://www.datacamp.com/community/blog/keras-cheat-sheet#gs.DRKeNMs
[31] Памятка по машинному обучению: https://ai.icymi.email/new-machinelearning-cheat-sheet-by-emily-barry-abdsc/
[32] Памятка по машинному обучению: https://docs.microsoft.com/en-in/azure/machine-learning/machine-learning-algorithm-cheat-sheet
[33] Памятка по машинному обучению: http://peekaboo-vision.blogspot.com/2013/01/machine-learning-cheat-sheet-for-scikit.html
[34] Памятка по Matplotlib: http://about:blank
[35] Памятка по нейросетям: http://www.asimovinstitute.org/neural-network-zoo/
[36] Памятка по графам нейросетей: http://www.asimovinstitute.org/blog/
[37] Нейросети: https://www.quora.com/Where-can-find-a-cheat-sheet-for-neural-network
[38] Памятка по Pandas: https://www.datacamp.com/community/blog/python-pandas-cheat-sheet#gs.oundfxM
[39] Памятка по Pandas: https://www.datacamp.com/community/blog/pandas-cheat-sheet-python#gs.HPFoRIc
[40] Памятка по Pyspark: https://www.datacamp.com/community/blog/pyspark-cheat-sheet-python#gs.L=J1zxQ
[41] Памятка по Scikit: https://www.datacamp.com/community/blog/scikit-learn-cheat-sheet
[42] Памятка по Scipy: https://www.datacamp.com/community/blog/python-scipy-cheat-sheet#gs.JDSg3OI
[43] Памятка по TensorFlow: https://www.altoros.com/tensorflow-cheat-sheet.html
[44] Источник: https://habr.com/post/417935/?utm_source=habrahabr&utm_medium=rss&utm_campaign=417935
Нажмите здесь для печати.