Поиск.
Найдено: 1 модель и 20 материалов
Нейросети
Весь каталог
Материалы
n8n или Make: обзор платформ для автоматизации с AI
Что выбрать для автоматизации процессов — n8n или Make: интеграции, визуальные сценарии, контроль данных и критерии выбора без маркетинговой шелухи.
Zapier или Make для AI-автоматизации: подробное сравнение
Что выбрать для автоматизаций с нейросетями — Zapier или Make: интеграции, логика сценариев, отладка, стоимость и безопасность данных.
Как использовать I/O Binding ONNX Runtime на CPU
I/O Binding в Python на CPU: OrtValue из NumPy, bind_ortvalue_input, bind_output, run_with_iobinding и точная проверка результата.
Как использовать Poisson loss в MLPRegressor для положительного target
Poisson loss в scikit-learn 1.8: строго неотрицательный target, положительный прогноз через exponential link и воспроизводимый негативный тест.
Как масштабировать target MLPRegressor через TransformedTargetRegressor
StandardScaler для признаков и отдельное преобразование target через TransformedTargetRegressor с автоматическим inverse_transform прогноза.
Как настроить intra-op потоки ONNX Runtime через SessionOptions
SessionOptions и intra_op_num_threads в ONNX Runtime: два потока, воспроизводимый output, честный benchmark и почему больше потоков не всегда быстрее.
Как обучать MLPClassifier пакетами через partial_fit
Потоковое обучение MLPClassifier мини-пакетами: первый classes, Incremental StandardScaler, несколько эпох, контроль n_iter_ и accuracy.
Как обучать MLPRegressor пакетами через partial_fit
Потоковое обучение регрессионной нейросети: Incremental StandardScaler, пять пакетов, 25 эпох, счётчик обновлений, t_ и независимый test.
Как обучить MLPClassifier со StandardScaler без утечки данных
Проверяемый Pipeline из StandardScaler и MLPClassifier: раздельная выборка, обучение scaler только на train, accuracy и защита от утечки.
Как обучить MLPRegressor со StandardScaler в Pipeline
Полносвязная нейросеть для числового прогноза: честный train/test split, StandardScaler внутри Pipeline, MAE, R² и проверка preprocessing.
Как оценить MLPClassifier через classification report и confusion matrix
Оценка нейросети не одной accuracy: classification_report как dict, confusion_matrix, support, macro F1 и точные критерии проверки.
Как оценить MLPRegressor по MAE, RMSE и R²
Три проверяемые регрессионные метрики: MAE в исходных единицах, чувствительный к крупным ошибкам RMSE и R² относительно среднего baseline.
Как оценить важность признаков MLP через permutation importance
Permutation importance для Pipeline с MLPClassifier: baseline на test, перестановки столбцов, mean/std, воспроизводимость и ограничения интерпретации.
Как рассчитать partial dependence для MLPRegressor
Численный partial dependence для одного признака: grid_values, average prediction, Pipeline, проверка shape и ограничения причинной интерпретации.
Как продолжить обучение MLPRegressor через warm_start
Проверка warm_start без переинициализации весов: два fit, изменение coefs_, loss до и после, границы метода и отличие от partial_fit.
Как проверить Execution Provider ONNX Runtime и не ждать GPU зря
Проверка get_available_providers и session.get_providers: явный CPUExecutionProvider, отличие установленного provider от выбранного и безопасный fallback.
Как проверить остатки MLPRegressor по квантилям
Residual analysis без графика: среднее, медиана, квантили абсолютной ошибки, худшие строки и проверка смещения прогноза.
Как сделать multi-output регрессию через MLPRegressor
Два непрерывных target в MLPRegressor: форма y `(n,2)`, output `(n,2)`, n_outputs_, последняя матрица весов и MAE по каждому выходу.
Как сохранить оптимизированный граф ONNX Runtime при создании сессии
Сохранение optimized_model_filepath в ONNX Runtime: исходный и оптимизированный файлы, проверка одинакового output и ограничения переносимости.
Как сохранить Pipeline с MLPClassifier через joblib и проверить загрузку
Сохранение и загрузка всего Pipeline через joblib: временный файл, совпадение прогнозов и вероятностей, версии и риск недоверенной сериализации.