Телеграмм чат группы datasciencecourse страница 4654

parrot.ru

Рейтинг популярных групп и каналов

В рейтинге участвует:

групп:

каналов:

Виртуальный сервер на SSD - недорого!

Аренда выделенных и виртуальных серверов (VDS/VPS), хостинг, аренда IP-адресов, администрирование, круглосуточная поддержка

qwarta.ru подробнее

Резервное копирование с проверкой на вирусы!!!

Удобный сервис создания резервных копий на любой сервер сети интернет. Отслеживайте изменения, проверяйте на вирусы. Надежно защитите свой бизнес!

go.backupland.com

Выбираете сервер? Любая конфигурация на заказ!

Аренда физических серверов любых конфигураций под любые запросы - 1С бухгалтерия, игровые сервера, нагруженные проекты, интернет-магазины!

qwarta.ru подробнее

Size: a a a

Machine learning

7658 membersпожаловаться на группу

2021 January 16

А

Артем in Machine learning

Чуть позже скажу, как на самом деле получается. А почему такой вывод? Ведь в a1 только часть на numpy, а дальше просто вызов одной и той же функции. А в a3 все на numpy сделано, и все вычисления идут параллельно.

Я исходил из того, что X, y тоже массивы numpy, тогда первая функция по сути операция над массивами и вычисление функций.

a3 быстрее чем a2 по той же причине, работа с массивами Numpy и при этом один раз вычисляется

источник

22:58пожаловаться #1

d

dl in Machine learning

Я исходил из того, что X, y тоже массивы numpy, тогда первая функция по сути операция над массивами и вычисление функций.

a3 быстрее чем a2 по той же причине, работа с массивами Numpy и при этом один раз вычисляется

x и y — массивы numpy, да.
в a3 вместо вызова функции 10001 раз идет вычисление сразу вектора из 10001 координаты

источник

23:00пожаловаться #2

d

dl in Machine learning

Реальность такова:
Запускаем

time1 = timeit.timeit(stmt='np.array([squared_error2(x, y, w0, wi) for wi in w1])', setup=setup_code, number=100)
time2 = timeit.timeit(stmt='np.array([squared_error3(x, y, w0, wi) for wi in w1])', setup=setup_code, number=100)
time3 = timeit.timeit(stmt='squared_error3(x, y, w0, w1)',                          setup=setup_code, number=100)

print(time1, time2, time3)
print(time2 / time1, time3 / time1)

Получаем

72.68429950899736 106.02993767800217 608.0612300240027
1.4587736057754408 8.365785102582336

То есть по убыванию скорости: a1, a2, a3. Внезапно a3 медленнее a2. А разница между a1 и a2 всего в полтора раза.

источник

23:04пожаловаться #3

d

dl in Machine learning

nikoinlove 🐈

самым быстрым будет a4 = squared_error2 :)
а тормозит тут от кучи конвертаций в 3м методе, а не от цикла кмк

в 3 методе цикла как раз нет, там все выполняется 1 раз. и конвертация не играет роли, это видно по тому, что a2 быстрее a3.

источник

23:12пожаловаться #4

d

dl in Machine learning

Я могу предположить, почему a1 самый быстрый: вычисление 10001 раз функции от разных аргументов прекрасно параллелится. Но вот почему a2 выигрывает у a3 — загадка.

источник

23:13пожаловаться #5

2021 January 17

B

Boris in Machine learning

C1W4
Проверьте, пожалуйста, работу.

https://www.coursera.org/learn/mathematics-and-python/peer/4vN1n/tsientral-naia-priediel-naia-tieoriema-svoimi-rukami/review/k3y5K1gEEeutqg6oYG2Fdw

источник

09:41пожаловаться #6

ИР

Илья Рябинин... in Machine learning

Ребят, всем привет, никто Python не ставил на мак с м1? Нужна консультация:)

источник

11:27пожаловаться #7

DP

Dmitry Penzar in Machine learning

Реальность такова:
Запускаем

time1 = timeit.timeit(stmt='np.array([squared_error2(x, y, w0, wi) for wi in w1])', setup=setup_code, number=100)
time2 = timeit.timeit(stmt='np.array([squared_error3(x, y, w0, wi) for wi in w1])', setup=setup_code, number=100)
time3 = timeit.timeit(stmt='squared_error3(x, y, w0, w1)',                          setup=setup_code, number=100)

print(time1, time2, time3)
print(time2 / time1, time3 / time1)

Получаем

72.68429950899736 106.02993767800217 608.0612300240027
1.4587736057754408 8.365785102582336

То есть по убыванию скорости: a1, a2, a3. Внезапно a3 медленнее a2. А разница между a1 и a2 всего в полтора раза.

np.array копирует объект

источник

11:45пожаловаться #8

DP

Dmitry Penzar in Machine learning

Если сделать хэлп и почитать документацию

источник

11:45пожаловаться #9

d

dl in Machine learning

np.array копирует объект

И что именно это объясняет?

источник

11:50пожаловаться #10

DP

Dmitry Penzar in Machine learning

И что именно это объясняет?

2я функция этого копирования не выполняет.

источник

11:59пожаловаться #11

DP

Dmitry Penzar in Machine learning

*squared_error2

источник

11:59пожаловаться #12

DP

Dmitry Penzar in Machine learning

Клпирование объекта может жрать очень много времени

источник

12:00пожаловаться #13

DP

Dmitry Penzar in Machine learning

С разницей во времени выполнения a2 и a3 сложнее. Но я думаю, что, видимо, матрицу 10000×10000 долго выделяет.

источник

12:18пожаловаться #14

DP

Dmitry Penzar in Machine learning

Я могу предположить, почему a1 самый быстрый: вычисление 10001 раз функции от разных аргументов прекрасно параллелится. Но вот почему a2 выигрывает у a3 — загадка.

Параллелиться у вас между итерациями питоновского цикла ничего не будет, ибо в питоне GIL

источник

12:19пожаловаться #15

AW

Alex Wolf in Machine learning

C3W3 - проверьте работу, пожалуйста:
https://www.coursera.org/learn/unsupervised-learning/peer/ATLR5/vizualizatsiia-dannykh/review/kzKA01g6EeuooRJNDGza4Q

Coursera | Online Courses & Credentials From Top Educators. Join for Free | Coursera

Learn online and earn valuable credentials from top universities like Yale, Michigan, Stanford, and leading companies like Google and IBM. Join Coursera for free and transform your career with degrees, certificates, Specializations, & MOOCs in data science, computer science, business, and dozens of other topics.

источник

12:27пожаловаться #16

BA

Burmistrov Anton in Machine learning

C1W4
Проверьте, пожалуйста, работу.

https://www.coursera.org/learn/mathematics-and-python/peer/4vN1n/tsientral-naia-priediel-naia-tieoriema-svoimi-rukami/review/k3y5K1gEEeutqg6oYG2Fdw

Проверил

источник

13:48пожаловаться #17

B

Boris in Machine learning

Burmistrov Anton

Проверил

Спасибо. Но пока пишут, что оценка недоступна.

источник

14:37пожаловаться #18

M

Maksim in Machine learning

Привет.
Немного не понял в лекциях про модели ARIMA. Мы для стационарности ряда используем дифференцирование. Правильно ли я понимаю, что в дальнейшем модель строится для дифференцированного ряда? И как мы тогда при предсказаниях возвращаемся к исходному порядку значений?

источник

16:18пожаловаться #19

i

igor in Machine learning

обратно от производной операция это интеграл

источник

16:34пожаловаться #20