Глубокое обучение в Python. Keras and Tensorflow

Одним из наиболее популярных фреймворков для глубокого обучения является https://keras.io В первую очередь подключим необходимые библиотеки и загрузим обучающие данные по картинкам одежды: Посмотрим на размерность объекта. Он представляет из себя 60000 картинок размером 28 на 28 пикселей. Соответсвенно для

NLP в Python

Ознакомьтесь со статье на Хабре связанной с принципами Word2Vec: https://habr.com/ru/post/446530/ Загрузим библиотеку word2vec Создадим txt файл в который поместим текст книги «Властелин колец»: http://lib.ru/TOLKIEN/hran_1.txt Подключим ее: Превратим текст в вектора: Загрузим в модель наше представление текста в векторах: Посмотрим на представление

Создание GUI с использование Python

В данном занятии мы будем изучать возможно создания графического интерфейса с использованием библиотеки tkinter. Для сегодняшней лекции используем специальную онлайн среду подготовленную для создания пользовательский интерфейсов: https://repl.it/languages/tkinter На локальном компьютере (в базовой версии Питона или анаконде) достаточно будет установить библиотеку

Построение моделей в Python

Официальный сайт проекта https://scikit-learn.org/ Список методов обучения с учителем: https://scikit-learn.org/stable/supervised_learning.html#supervised-learning Пример линейной модели: (https://scikit-learn.org/stable/modules/linear_model.html) Импорт функций Выгрузим данные «Ирис»: Создадим переменные Y и  X: Создадим объект типа линейная модель: Оценим параметры модели: Качество модели: Оцененные параметры: Для того, чтобы изменить тип

Python. Pandas

Подключим библиотеку и создадим первый объект в Панде: Создадим иным образом: Обращение к элементам: Назовем столбцы: Фильтрация: Еще один метод создания: Проверка на нули: Фреймы данных: Транспонирование:   Переприсвоение: Загрузка файла файл: http://rusquant.ru/wp-content/uploads/2018/12/NQZ17.csv Самостоятельное задание: 1. Загрузить в Python данные по пассажирам

Python. Основы визуализации

Используем средства визуализации встроенные в библиотеку Pandas. Кроме того, сегодня нам понадобится использование библиотеки NumPy для генерирования случайных чисел (np.random). Для начала попробуем построить простейший столбчатый график: В случае наложения столбиков друг на друга: В случае, когда необходимо расположить графики горизонтально: Для

Python. NumPy

Подключим библиотеку NumPy Создадим массив из 3 элементов: Создадим массив из нулей (размерность 5 на 5) Создадим пустой массив Создадим массив представляющий из себя последовательность (шаг равен 0.5) Создадим массив представляющий из себя последовательность (11 элементов) Создадим двумерный массив Обращение к элементам

Python. Введение

Используем Python в качестве калькулятора: Создание числовых переменных Строковые переменные: Определение класса: команда type(x) Преобразование: bool(x) — преобразование к типу bool float(x) — преобразование к числу с плавающей точкой. int(x) — преобразование к целому числу. Работа со списками (листами): создание,

Занятие 9. HPC in R

Иногда скорость вычислений играет значительную роль при анализе данных. В данном занятии собраны различные примеры того, с использованием каких функций и методов возможно ускорять вычисления в десятки раз. Для начала начнем с чтения данных стандартной командой read.table: Существует значительное количество

Занятие 8. Веб-приложения с R

R дает возможности не только статистического анализа данных, но и создания интерактивных веб-приложений. Для этого используется пакет shiny Для того, чтобы создать веб-приложение необходимо будет создать папку для этого приложения (например shiny_app) и внутри этой папки создать 2 файла: ui.R и