ARTS第五十七周(2020年10月19日~25日)
Algorithm
编号 | 难度 | 题目 | 我的解答 | 执行用时 | 内存消耗 | 用时排名 | 内存排名 | 查看结果 |
---|---|---|---|---|---|---|---|---|
355 | 中等 | 设计推特 | 201108-1.cpp | 316 ms | 20.2 MB | 9.92% | 61.35% | 查看结果 |
365 | 中等 | 水壶问题 | 201108-2.cpp | 0 ms | 6.2 MB | 100.00% | 12.18% | 查看结果 |
Review
1. 部署机器学习模型
分享链接:How to put machine learning models into production
平常大多数关于机器学习的教程和资料,都在介绍如何训练模型,对于模型的最终部署,提及得很少。这篇文章也提到,绝大多数(接近九成)的模型并未得到部署和应用。这篇文章针对部署中需要考虑的方方面面(诸如数据量、框架、工具、效率、反馈、迭代等)进行了介绍,在打算将某个模型进行应用时,应该进行提前考虑。
Tip
1. 自动进行数据探索分析
分享链接:How to Automate Exploratory Analysis Plots
本文介绍了R包purrr
中map()
函数的使用,并应用它,去批量处理数据集中不同字段,汇总信息,帮助数据探索分析:
library(ggplot2)
library(purrr)
plot_frequency <- function(x) {
data %>% ... %>% ggplot(...) + geom_xxx() + ...
}
all_plots <- map(names, plot_frequency)
cowplot::plot_grid(plotlist = all_plots)
Share
1. 电子书《Tidy Modeling with R》
分享链接:Tidy Modeling with R
R语言除了绘图外,最重要的优势在于进行各类数据建模。这本电子书中包含了关于建模的常见R包和函数的介绍,尤其是tidymodels
包,承袭tidyXXX
系列的风格,使相关操作更加高效。
推荐自链接:https://ortom.co.uk/r/2020/10/11/item-4-tidy-modelling-book-published.html