9. Вектор признаков на основе состава

12+
12+

2 дня назад

ПожаловатьсяНарушение авторских прав
12+
12+

2 дня назад

ПожаловатьсяНарушение авторских прав
12+
12+

2 дня назад

В нашем предыдущем видео мы говорили о том, почему признаки так важны для машинного обучения и материаловедения. В этом видео мы углубимся в вектор признаков, основанный на составе. Состав — полезная вещь для построения вектора признаков, поскольку мы не всегда знаем структуру, особенно для новых материалов. В этом видео описываются несколько различных инструментов для создания вектора признаков на основе состава, включая JARVIS, MAGPIE, mat2vec, atom2vec, oliynyk и другие. Мы покажем, откуда берутся эти подходы и как их фактически реализовать, используя наш удобный пакет CBFV на Python, который можно установить с помощью pip! Подробнее здесь https://pypi.org/project/CBFV/ Посмотрите весь цикл видеоуроков по материаловедению по ссылке https://www.youtube.com/playlist?list=PLL0SWcFqypCl4lrzk1dMWwTUrzQZFt7y0, а рабочие тетради и конспекты лекций доступны по адресу https://github.com/sp8rks/MaterialsInformatics 0:00 Что такое CBFV? 1:30 CBFV на основе свойств элементов 5:00 Использование CBFV для прогнозирования свойств 8:00 Неочевидные корреляции 10:15 Jarvis против Olyynyk против Magpie против Atom2vec против Mat2vec против Elemnet 19:00 Улучшает ли CBFV на основе знаний предметной области прогнозирование? 25:21 Пример использования библиотеки CBFV в Python

Название:

9. Вектор признаков на основе состава

Категория:

Разное