有取得以下成果

raselbd223

我认为一个例子会比理论考虑更好地解释它。 假设我们的候选人 现在的基本问题是 选择哪位候选人？是两方面都一般的人还是一面好一面弱的人但又不是完全为零？ Ł 认为第二个候选人将是一个更好的候选人因为他会比所谓的 更快 地学习第二个领域的基础知识。 平均 将在两者中得到改善。 结论是什么？如果你的某一方面已经非常强了与其不断地强化它不如先去解决你较弱的方面。 我完全同意作者的观点你呢？ 数据科学 或者如何将问题转化为答案而不是表格变成表格 机器学习工程师 首先说 问题往往比我们最初想象的更困难。

然后她通过展示她两年专业经验中的一些非常有趣的例子来证实了这一点。 第一个问题涉及客户希望使用无人机监督建筑工程的项目。这个问题似乎得到了很好的认识 实时检测和跟踪物体但最重要的是缺少数据 数据。 和她的团队必须从另一方面解决这个问题 他们不是处理现成的数据而是首先提出一个模型可以在其上进行 电子邮件数据 最佳学习的数据集。 第二个问题涉及根据内容对文章进行分类有趣 无趣。客户交付了 篇标记文章。第一个解决方案给出了奇怪的结果。原来客户端将从网站下载的完整 文章称为 。



如您可能已经猜到的那样该模型专注于某些部分例如有关 的信息并根据它们决定文章是否有趣而忽略内容。这个动作恐怕并没有达到预期。结论是什么？即使客户向您保证数据包含您所期望的内容也要仔细分析数据。 接下来的问题涉及一家处理经济调查和提供风险咨询服务的公司的项目。不过我不会详细描述它们。