в чем разница между ногой и ногой Васи

Вопрос. Соревнование очень короткое.  У меня анонимизированный датасет (300 фичей).  Как делать feature engineering с таким датасетом? Нужно ли кдалять кореллированые фичи перед бустингом? Нужно ли создавать новые фичи?

И стоит ли вообще делать feature selection если вроде все нужные фичи дали? (Допустим на feature importance отобрать k лучших и их уже закинуть в финальный бустинг). Или самое простое здесь использовать PCA и ничего не удалять?

Если данных достаточно много, удалять ничего не нужно и PCA делать тоже не нужно. Бустинг сам отлично фичи отбирает в процессе обучения, и коррелированные фичи ему не мешают.
Если наблюдений мало и потому сильно боишься переобучиться под лишние фичи, можно действительно отобрать топ фич по feature importance.
PCA перед деревьями решений лично в моём опыте никогда пользы не давал.

Спасибо, я тоже думаю, что с фичами ничего делать не нужно

Проект: оценивать объем продаж новых строительных материалов, которые предлагают поставщики, (обои, плитка и тп) на основе дизайна, цены, размеров.
Проект для одного из лидеров на российском рынке по продаже строительных материалов. Накопленная база со статистикой есть.

Ищем исполнителя, кто мог бы проконсультировать по сложности реализации, технологиям и рискам.
Если не хотите быть подрядчиком, но готовы просто проконсультировать - тоже будем очень благодарны.
Если есть кого-то посоветовать - супер)

Хм

Да вроде нет разницыи

Всем привет, слухайте, если у меня в датасете все изображения разного размера, как привести их в один?

Вызвать соответвующую функцию

Какую?)

Откуда я знаю, ты ж никакой информации не дал

Окей, а как это загуглить? Как это называется?

Ну в зависимости от фреймворка смотреть его доки

Tf

Эх, ну ладно, спасибо

А, лол. Я думал это сложнее)

Спасибо

Ку! Начал изучать нейросетки, что-то начитался, теперь руки чешутся попрактиковаться. Хочу сразу поиграться с задачами, близкими к своим интересам. Подскажите пожалуйста, какой тип сетки читать и изучать, и с какой стороны подойти к задаче с предложением распределения ресурсов.

Например. Заходит студент с какими-то свойствами (курс, предмет, цель экзамен/зачёт и т.д.) в аудиторию, препод сажает определённых студентов за определённую парту, даёт ему определённые предметы - ручка, линейка, карандаш и т.д. Нейросетка обучается, и когда заходит следующий предлагает кого куда посадить и какие предметы дать. Со временем набор предметов, количество парт может изменяться.

Какого-нибудь простого перцептрона достаточно? Как выбрать сколько слоёв, вообще как структуру сети подобрать? Какие подвохи? Tensorflow для начала пути норм? Вообще что почитать и с какой ноги начать?