|
|
![]() #2 Нейронные сети для начинающих. NumPy. MatplotLib. Операции с изображениями в OpenCVВторник, 16 Августа 2022 г. 12:00 (ссылка)
Маленький совет из будущего: «В данной статье будут затронуты некоторые понятия, о которых я писал раньше, так что для полного понимания темы, советую прочитать и предыдущую статью»На самом деле, на хабре было множество публикаций по этой теме, но все они говорят о разных вещах. Давайте разберёмся и соберём всё в одну кучку, для полноценного понимания картины мира. Читать дальше → https://habr.com/ru/post/682462/?utm_source=habrahabr&utm_medium=rss&utm_campaign=682462
![]() Одна панель, чтобы объединить все визуализации. Panel for PythonПонедельник, 15 Августа 2022 г. 15:18 (ссылка)
Качественная визуализация данных не менее важна для анализа данных, чем методы математической обработки. На сегодняшний день существуют десятки (если не сотни) библиотек для визуализации наборов данных на Python, но иногда в них встречаются уникальные возможности и хотелось бы иметь возможность объединить различные инструменты в единой панели. В статье мы рассмотрим основы библиотеки panel для реализации реактивной модели интерактивных визуализаций и попробуем объединить визуализации из разных библиотек в одном dashboard. Читать далееhttps://habr.com/ru/post/682500/?utm_source=habrahabr&utm_medium=rss&utm_campaign=682500
![]() [Перевод] Визуализация данных GeoJSON с использованием GeoPandas и PythonВоскресенье, 31 Июля 2022 г. 15:22 (ссылка)
Ежесекундно в мире появляется огромное количество информации, которую обрабатывать и понимать человеку в большинстве случаев невозможно. Благодаря визуализации данных (построении графиков, диаграмм и нанесении данных на карты), люди могут анализировать информацию, делать выводы и строить прогнозы. Автором данной статьи является доктор Саумен Атта - постдокторант Лаборатории математических наук в Нантском университете, Франция. Ознакомиться с его блогом можно по ссылке. Оригинал статьи вы можете найти тут. Читать далееhttps://habr.com/ru/post/680100/?utm_source=habrahabr&utm_medium=rss&utm_campaign=680100
![]() Создаём свою БД на PostgreSQL из CSVВоскресенье, 03 Июля 2022 г. 21:16 (ссылка)
Давайте вместе попробуем создать основы большой базы данных, с помощью готового dataset. Для поиска нужного нам материала воспользуемся помощью прекрасного ресурса KAGGLE. Читать далееhttps://habr.com/ru/post/674802/?utm_source=habrahabr&utm_medium=rss&utm_campaign=674802
![]() Анализ аудиоданных (часть 3)Пятница, 17 Июня 2022 г. 21:08 (ссылка)
Машинное обучение В третьей части анализа аудиоданных мы разберем относительно простой и более быстрый способ классификации аудиофайлов - алгоритм машинного обучения - SVM (Support Vector Machines) / машины опорных векторов. В двух частях анализа аудиоданных мы рассмотрели характеристики, которые есть у каждого аудиосигнала и извлечение значимых характеристик. Мы получили набор данных, содержащий значимые характеристики аудиоданных (45 значений) в машиночитаемом виде - Двухмерная таблица - Dataframes, состоящая из 47столбцов и 50000 строк. Все признаки (характеристики) важны при анализе аудиоданных, так как описывают физические свойства звука: высоту, громкость, тембр и т. д. При прохождении воздуха через голосовые связки возникают вибрации, которые в виде упругих волн распространяются в среде. Каждый звук представляет собой набор волн. Это основной тон - волны гендерной идентификации ( у каждого говорящего базовая частота основного тона индивидуальна и обусловлена особенностями строения гортани, в среднем для мужского голоса она составляет от 80 до 210 Гц, для женского - от 150 до 320 Гц. ). Это волны - обертоны ( призвуки, которые выше основного тона) и волны форманты (распознавание речи) связанные с уровнем частоты голосового тона, которые образуют тембр звука. Читать далееhttps://habr.com/ru/post/672094/?utm_source=habrahabr&utm_medium=rss&utm_campaign=672094
![]() Анализ аудиоданных (часть 2)Четверг, 09 Июня 2022 г. 23:59 (ссылка)
В первой части анализа аудиоданных мы рассмотрели характеристики, которые есть у каждого аудиосигнала. Анализ аудиоданных (часть1) - https://habr.com/ru/post/668518/ Характеристики аудиофайлов для разных аудио записей. В наборе аудиоданных есть Human files - 10322 файла ( записи “живого” голоса (класс 1)) и Spoof files - 39678 файлов ( записи синтетического/конвертированного/перезаписанного голоса (класс 2)) . В одном аудиофайле (3 - 6 сек) голос мужской или женский что-то говорит на каком-то языке (английском, русском, немецком, китайском) Вот так выглядят характеристики аудиофайлов для разных аудио записей: Читать далееhttps://habr.com/ru/post/670676/?utm_source=habrahabr&utm_medium=rss&utm_campaign=670676
![]() Анализ аудиоданных (часть 1)Понедельник, 30 Мая 2022 г. 12:45 (ссылка)
Каждый аудиосигнал содержит характеристики. Из MFCC (Мел-кепстральных коэффициентов), Spectral Centroid (Спектрального центроида) и Spectral Rolloff (Спектрального спада) я провела анализ аудиоданных и извлекла характеристики в виде среднего значения, стандартного отклонения и skew (наклон) с помощью библиотеки librosa. Для классификации “живого” голоса (класс 1) и его отделению от синтетического/конвертированного/перезаписанного голоса (класс 2) я использовала алгоритм машинного обучения - SVM (Support Vector Machines) / машины опорных векторов. SVM работает путем сопоставления данных с многомерным пространством функций, чтобы точки данных можно было классифицировать, даже если данные не могут быть линейно разделены иным образом. Для работы я использовала математическую функцию, используемой для преобразования (известна как функция ядра) - RBF (радиальную базисную функцию). В первой части анализа аудиоданных разберем: Читать далееhttps://habr.com/ru/post/668518/?utm_source=habrahabr&utm_medium=rss&utm_campaign=668518
![]() Анализ эффективности тренировок с помощью Python и линейной регрессииВторник, 24 Мая 2022 г. 10:57 (ссылка)
Был ли эффект от регулярных тренировок? Я проанализировал данные своих предыдущих тренировок с помощью нескольких общепринятых методов и получил неоднозначные результаты. https://habr.com/ru/post/666024/?utm_source=habrahabr&utm_medium=rss&utm_campaign=666024 ![]() Сделай то, сделай это, сделай самВторник, 26 Апреля 2022 г. 11:59 (ссылка)
Доброго времени суток Дамы и Господа! Многим приходилось сталкиваться с необходимостью анализа большого количества данных при помощи Python по запросам начальства или коллег. Однотипные запросы поступают с определенной периодичностью, и не составляет труда подставить новые данные в свой код и провести анализ. Но иногда из-за определенной нагрузки не всегда хочется заниматься таким анализом. Намного проще сделать скрипт с графическим интерфейсом, чтобы сам заказчик для анализа данных мог нажать пару кнопок и получить желаемый результат. Тем более, можно изначально вложить в интерфейс столько «хотелок» заказчика для анализа, сколько будет душе угодно. Читать далееhttps://habr.com/ru/post/662986/?utm_source=habrahabr&utm_medium=rss&utm_campaign=662986
![]() Анализ данных виртуальных велотренировокПятница, 15 Апреля 2022 г. 14:51 (ссылка)
В этой статье я расскажу как помощью python построить базовый график тренировки, произвести дополнительные расчеты и как определить похожие тренировки, а также о том какие бывают виртуальные велотренировки. У вас на руках должен быть FIT-файлы тренировок, и установлены модули matplotlib, pandas, sklearn. В конце статьи ссылка на git с примерами. Читать далееhttps://habr.com/ru/post/661067/?utm_source=habrahabr&utm_medium=rss&utm_campaign=661067
|
|
LiveInternet.Ru |
Ссылки: на главную|почта|знакомства|одноклассники|фото|открытки|тесты|чат О проекте: помощь|контакты|разместить рекламу|версия для pda |