АГ
Красиво)
Size: a a a
2020 November 10
V
Свой фл и их фл, отфильтровав пересечения с моим
V
Ага
V
Мне тоже понравилось
Н
нашел еще на курсере от каких то индусов https://www.coursera.org/learn/advanced-recommender-systems/lecture/7tS9s/course-overview-and-welcome-by-the-instructor
АГ
нашел еще на курсере от каких то индусов https://www.coursera.org/learn/advanced-recommender-systems/lecture/7tS9s/course-overview-and-welcome-by-the-instructor
Я проходил movie recommendation system using collaborative filtering, а также building similarity based recommendation system
SS
о, тоже на днях задумался над похожим, хочу построить социальный граф на несколько тысяч персон, также известны некоторые базовые интересы (состоят в определенных тематических группах, иногда в нескольких). какие есть подходы? (вырузить социальный граф вк могу, нужны подходы для визуализации)
Е
Sergey Salnikov
о, тоже на днях задумался над похожим, хочу построить социальный граф на несколько тысяч персон, также известны некоторые базовые интересы (состоят в определенных тематических группах, иногда в нескольких). какие есть подходы? (вырузить социальный граф вк могу, нужны подходы для визуализации)
как вариант, кластеризировать и градиентом цветов обозначить
SS
кластеризовать по социальному графу, а цвета - по группам интересов?
SS
там сложнее, групп по интересам много, но направлений интересов - мало (с десяток), просто многие группы похожи по тематике
SS
нужно предварительно кластеризовать также по интересам
Е
то есть, визуализировать интересы и знакомства?
Е
если по-простому говорить
V
Sergey Salnikov
о, тоже на днях задумался над похожим, хочу построить социальный граф на несколько тысяч персон, также известны некоторые базовые интересы (состоят в определенных тематических группах, иногда в нескольких). какие есть подходы? (вырузить социальный граф вк могу, нужны подходы для визуализации)
GEPHI
V
А сам граф обернуть в networkx
V
И сохранить в gml > gephi
SS
то есть, визуализировать интересы и знакомства?
ну да, пространственно - социальные связи, в цвете - интересы
I
Vitaly S
Буду знать как называется) Насторожила фраза про сетки. Неужели может быть достаточно в keras соорудить model siquential из 5ти строк (правильного объема и функции активации), чтобы сетка стала точнее бустинга за счёт "самогенерации" фич (допустим данных достаточно много)?
Я так понимаю, если тут разговор о точности аппроксимации функции, то нейросети достигают это не за счет генерации фич.
У приближения линейными функциями или их сочетанием, есть предел. То есть существуют например такие разделения пространства, которые линейными функциями не аппроксимируются.
И для решения таких задач есть два подхода: первый - это переход к спрямляющими пространствам, за счет инжиниринга новых фич.
А второй - это нейронные сети. Ибо нейронная сеть это есть набор логических функций И, ИЛИ, НЕТ и за счет их суперпозиции и достигается нелинейное разделение пространства.
Вот тут вот Воронцов более подробно где-то в районе 10 минуты об этом рассказывает. https://youtu.be/WjwA5DqxL-c?t=477
У приближения линейными функциями или их сочетанием, есть предел. То есть существуют например такие разделения пространства, которые линейными функциями не аппроксимируются.
И для решения таких задач есть два подхода: первый - это переход к спрямляющими пространствам, за счет инжиниринга новых фич.
А второй - это нейронные сети. Ибо нейронная сеть это есть набор логических функций И, ИЛИ, НЕТ и за счет их суперпозиции и достигается нелинейное разделение пространства.
Вот тут вот Воронцов более подробно где-то в районе 10 минуты об этом рассказывает. https://youtu.be/WjwA5DqxL-c?t=477
VS
Ibp
Я так понимаю, если тут разговор о точности аппроксимации функции, то нейросети достигают это не за счет генерации фич.
У приближения линейными функциями или их сочетанием, есть предел. То есть существуют например такие разделения пространства, которые линейными функциями не аппроксимируются.
И для решения таких задач есть два подхода: первый - это переход к спрямляющими пространствам, за счет инжиниринга новых фич.
А второй - это нейронные сети. Ибо нейронная сеть это есть набор логических функций И, ИЛИ, НЕТ и за счет их суперпозиции и достигается нелинейное разделение пространства.
Вот тут вот Воронцов более подробно где-то в районе 10 минуты об этом рассказывает. https://youtu.be/WjwA5DqxL-c?t=477
У приближения линейными функциями или их сочетанием, есть предел. То есть существуют например такие разделения пространства, которые линейными функциями не аппроксимируются.
И для решения таких задач есть два подхода: первый - это переход к спрямляющими пространствам, за счет инжиниринга новых фич.
А второй - это нейронные сети. Ибо нейронная сеть это есть набор логических функций И, ИЛИ, НЕТ и за счет их суперпозиции и достигается нелинейное разделение пространства.
Вот тут вот Воронцов более подробно где-то в районе 10 минуты об этом рассказывает. https://youtu.be/WjwA5DqxL-c?t=477
Огонь! Забрал! В группе реально столько информации о курсах и различных источниках, что, когда проходишь специалищацию и работаешь, то времени только на прочтение сообщений)))