sorodni izrazi in sinonimi v sodobni slovenščini, hrvaščini in srbščini
Podobnost besed in fraz med rezultati je odvisna od tega, kolikokrat se beseda
ali fraza pojavi v podobnem stavčnem kontekstu kot "podatkovnih množicah".
Podobni izrazi in sinonimi za
Kliknite za poizvedbo
Širši sorodni izrazi
Izrazi, ki navajajo podatkovnih množicah med svojimi sorodnimi izrazi, a jih seznam zgoraj ne doseže. Njihova podobnost je nižja od podobnosti zadnjega izraza nad njimi.
Primeri iz korpusa
Korpus Common Crawl
Common Crawl je korpus spletnih strani
Zanima nas časovna zahtevnost učenja modela na različnih podatkovnih množicah in ali je njegova napovedna uspešnost primerljiva z uveljavljenimi metodami strojnega učenja.
Vsi algoritmi bodo delovali na obeh podatkovnih množicah, s čimer bomo lahko primerjali uspešnost obeh metod za obdelavo tekstovnih spremenljivk.
V zadnjih letih je bilo razvitih nekaj generativnih modelov, zlasti jezikovnih, naučenih na ekstremno velikih podatkovnih množicah neoznačenih podatkov.
V tem primeru pri iskanju najboljšega modela nisem upošteval razlik pri podatkovnih množicah.
V petem poglavju metodo preizkusimo in ovrednotimo na nekaj podatkovnih množicah.
V naših učnih podatkovnih množicah imamo na voljo le nekaj sto slik za vsak primer posamezne vrste izdelka ali objekta.
V nadaljevanju naš pristop empirično ovrednotimo na različnih podatkovnih množicah in ga primerjamo s podobnimi pristopi.
Učenje in vrednotenje metod izvedemo na dveh podatkovnih množicah.
To se je dogajalo predvsem pri podatkovnih množicah z velikim številom značilk.
To je ključno za uporabo na naših podatkovnih množicah, saj imamo le nekaj deset slik s primeri izdelka z napako.
Teste izvajamo na podatkovnih množicah, za katere vemo, da se jih da opisati v prostoru manjše razsežnosti.
Ta pristop je aplikativen na drugih podatkovnih množicah porabe električne energije.
Sicer pa metoda naključnih gozdov v našem primeru na obeh podatkovnih množicah deluje dobro.
S predpostavljanjem, da je porazdelitev razredov uravnotežena in strošek napak enak, uporaba takih algoritmov ni primerna na neuravnoteženih podatkovnih množicah.
S klicem metode ".fit" začnemo proces učenja zgrajenega modela na definiranih učnih podatkovnih množicah.
Rezultati nakazujejo, da lahko podoben nabor značilk uporabimo na različnih podatkovnih množicah porabe električne energije in pričakujemo dobre rezultate.
Problem se pojavi pri večjih podatkovnih množicah, ki so računsko bolj zahtevne.
Pristop avtorji metode testirajo na dveh podatkovnih množicah.
Primarni motiv analize je bil določitev metode detekcije globokih ponaredkov, ki se v povprečju najbolje obnese na testnih podatkovnih množicah.
Pri preostalih večjih dveh realnih podatkovnih množicah se rezultati približujejo naključnemu označevanju.