This series of videos on machine learning algorithms (Lab a through Lab d, so far) by Courage Kamusoko are the best explanations I've seen yet. How the models actually work, their strengths and weaknesses, what you are actually solving for when you tune the hyperparameters, and examples in Python. https://www.youtube.com/@couragekamusoko5689/videos
#SVM #KNN #DecisionTree #RandomForest
Машинное обучение: Классификация методом KNN. Теория и реализация. С нуля. На чистом Python
В этой статье я привел основные сведения о методе классификации k-ближайших соседей. Рассказываю все в своем стиле. Теоретические моменты и простая реализация. Содержание: что это за метод, идея этого метода, как классифицировать (регрессировать) новые объекты, масштабирование признаков, как его можно применять, реализация.
Major Update for Vector Search in SQLite 
#SQLite-vec v0.1.6 introduces powerful new features:
• Added support for #metadata columns enabling WHERE clause filtering in #KNN queries
• Implemented partition keys for 3x faster selective queries
• New auxiliary columns for efficient unindexed data storage
• Compatible with #embeddings from any provider
Key improvements:
• Store non-vector data like user_id and timestamps
• Filter searches using metadata constraints
• Optimize query performance through smart partitioning
• Enhanced data organization with auxiliary columns
Performance focus:
• Partition keys reduce search space significantly
• Metadata filtering streamlines result selection
• Auxiliary columns minimize JOIN operations
• Binary quantization options for speed optimization
#Database integration:
• Supports boolean, integer, float & text values
• Works with standard SQL queries
• Enables complex search combinations
• Maintains data consistency
Source: https://alexgarcia.xyz/blog/2024/sqlite-vec-metadata-release/index.html
terminology question: exact vs approximate #kNN
HNSW is approximate, brute-force exact. but what about quantized brute-force? it's both exact (brute-force) and approximate to some degree (quantized). how do you differentiate between algorithm and precision? it should be called...
Thema: Künstliche Intelligenz
Diskussion bei Alex TV
Teil 1: Was ist künstliche Intelligenz?
Mehr dazu https://www.aktion-freiheitstattangst.org/cgi-bin/searchartl.pl?suche=künstliche&sel=meta
a-fsa.de/d/3Dz
Link: https://www.aktion-freiheitstattangst.org/de/articles/8950-20241031-thema-kuenstliche-intelligenz.html
Link im Tor-Netzwerk: http://a6pdp5vmmw4zm5tifrc3qo2pyz7mvnk4zzimpesnckvzinubzmioddad.onion/de/articles/8950-20241031-thema-kuenstliche-intelligenz.html
Tags: #KI #AI-Act #EU #Intelligenzbegriff #Computerhistorie #Algorithmen #LargeLanguageModel #LLM #NeuronaleNetze #KNN #Turingtest #MooresGesetz #Verbraucherdatenschutz #Datenschutz #Datensicherheit #Datenpannen #Datenskandale #Transparenz #Informationsfreiheit
K Nearest Neighbors | Intuitive explained | Machine Learning Basics
MachineLearning #DataScience #KNN Machine Learning Basics: Bitesize machine learning concept about K Nearest Neighbors ... source
https://quadexcel.com/wp/k-nearest-neighbors-intuitive-explained-machine-learning-basics/
In meiner Diplomarbeit über #KünstlicheNeuronaleNetze habe ich bereits 1995 den heutigen #Nobelpreis-Gewinner #GeoffreyHinton zitiert. Wer also mehr über die Grundlagen und Funktionsweise von #KNN erfahren möchte, kann gerne darin schmökern - kostenlos!
https://thomaswuest-blog.de/zinsprognosen-und-neuronale-netzwerke/
Нейронные оптимизаторы запросов в реляционных БД (Часть 2): На пути к продуктивизации
Нельзя просто взять и заменить нейросетями миллионы человеко-часов, вложенных в разработку классических оптимизаторов запросов реляционных СУБД. Надёжность, гибкость и скорость — ключевые характеристики экспертных систем, которые нарабатывались и отлаживались десятилетиями. В прошлой статье рассказали о пионерах в области нейросетевых оптимизаторов, которые создали плацдарм для развития подобных ML-систем и их последующего вывода на уровень коммерческих продуктов. В этой же — затронем относительно стабильные подходы, не требующие гигантских вычислительных кластеров и удовлетворяющие большую часть потребностей бизнеса. Серебряной пули, конечно, не существует, но с каждым из этих методов можно прийти к оптимальному решению для конкретной задачи.
Ab dem 1. Oktober startet das #Förderprogramm "Klimafreundlicher #Neubau im #Niedrigpreissegment" (#KNN), um den Bau von günstigen und nachhaltigen #Wohnungen zu unterstützen. Gefördert werden klimafreundliche #Neubauten mit niedrigen #Treibhausgasemissionen und optimierter #Wohnfläche. Durch zinsgünstige #KfW-Kredite sollen #Baukosten gesenkt werden. Kredite bis zu 100.000 Euro für #Privatpersonen und Unternehmen sind möglich
Discover the k-Nearest Neighbors algorithm and its Python implementation! This guide covers machine learning classification, distance metrics, and k-NN optimization techniques. Boost your data science skills now! #MachineLearning #Python #kNN
https://teguhteja.id/k-nearest-neighbors-algorithm-python-implementation/
Теоретические основы всех популярных алгоритмов машинного обучения и их реализация с нуля на Python
В данной статье в виде ссылок представлены все популярные алгоритмы классического машинного обучения с их подробным теоретическим описанием и немного упрощённой реализацией с нуля на Python, отражающей основную идею. Помимо этого, в конце каждой темы указаны дополнительные источники для более глубокого ознакомления, а суммарное время прочтения статей ниже составляет более трёх часов !
Метод K-ближайших соседей (KNN). Принцип работы, разновидности и реализация с нуля на Python
К-ближайших соседей (K-Nearest Neighbors или просто KNN) — алгоритм классификации и регрессии, основанный на гипотезе компактности, которая предполагает, что расположенные близко друг к другу объекты в пространстве признаков имеют схожие значения целевой переменной или принадлежат к одному классу.
Compressors such as #gzip + #kNN (k-nearest-neighbor i.e. your grandparents' #classifier) beats the living daylights of Deep neural networks (#DNNs) in sentence classification.
H/t @lgessler
Without any training parameters, this non-parametric, easy and lightweight (no #GPU) method achieves results that are competitive with non-pretrained deep learning methods on six in-distribution datasets.It even outperforms BERT on all five OOD datasets.
I trained a little #KNN based on @home_assistant time series data, such that my vacuum cleaner may run a few minutes while I'm showering. Previous automation used buggy, hard-coded offsets.
Does it work? I'll find out in the morning!
Current code is at https://gitlab.com/rubdos/hasli/
Goal is to make it a full-fledged HA Addon, with inference configurable in the HA web interface.
Das haben 
approximate 
1/9
