priručnik
1. Poglavlje:
Priprema i obrada podataka za primjenu u strojnom učenju, Instalacija alata, Kratki uvod u Python, Biblioteke za obradu podataka, Podatkovni tipovi, Upravljanje podacima u podatkom skupu i rješavanje problema podataka koji nedostaju, Enkodiranje, diskretizacija i skaliranje podataka, Primjeri obrade podataka.
2. Poglavlje:
Algoritmi strojnog učenja, Algoritmi nadziranog strojnog učenja, Linearna regresija, Potporni vektorski strojevi, Stabla odlučivanja, Neuronske mreže, Algoritmi nenadziranog strojnog učenja, Klasteriranje, Smanjenje dimenzionalnosti, Primjer primjene algoritama strojnog učenja.
3. Poglavlje:
Treniranje modela strojnog učenja, Odabir podatkovnih skupova za treniranje modela, Konfiguriranje modela i algoritama strojnog učenja, Izvršavanje treniranja modela strojnog učenja, Evaluacija rezultata dobivenih treniranjem, Popis programskih isječaka.
podaci, Python, algoritmi, modeli, strojno učenje
Razvojem virtualizacijskih tehnologija raste kompleksnost IT sustava, dok korisnici istovremeno zahtijevaju brži pristup resursima, napredne integracije i jednostavnost korištenja. Jedno od ključnih rješenja za ove izazove primjena je…
Ovaj rad istražuje i uspoređuje mogućnosti prosljeđivanja grafičkih kartica na Hyper-V i KVM hipervizorima prema virtualnim strojevima, detaljno opisujući metode, postupke i razlike u arhitekturi koje utječu na…
The ever-growing usage and adaptation of HTTP/3 in web traffic leverages Quick UDP Internet Connections (QUIC) as a transport protocol. QUIC is widely recognized for reduced latency, enhanced…
