Когда знаешь оба-два, различий особых нет. mlr3 крайне похож на scikit-learn; xgboost/lightgbm/catboost вообще одинаковые (внутри C++, на R и питоне только обертки, так что как минимум качество моделей при прочих равных различаться не должно). tensorflow/keras также через обертку можно заюзать в R, основное отличие будет в замене точки на $ для вызова методов. Вот пайторч пока не завезли, но и в этом направлении ведутся работы.
Это сравнение теплого с мягким. pytorch и keras реализуют конкретный класс моделей (нейросетки), а mlr3 организует инфраструктуру для решения задач машинного обучения в целом. На Питоне для этого есть scikit-learn.
>8. Covid-19 не такая острая проблема, как наличие таких статей. И с ним как раз и надо бороться.
Статьи по желанию можно просто не читать, а вот вирусным заболеванием просто не болеть не выйдет.
Лаконичнее и монолитнее, что ли. В keras все нестандартные штуки, начиная с кастомных функций потерь, делаются посредством вызова функций бекенда — как правило, это tensorflow. В pytorch все прозрачнее. А fastai добавляет сверху набор эвристик и хорошо подобранные значения параметров по умолчанию, по крайней мере для наиболее типичных задач.
Не хватает, но в R-keras критических ограничений по сравнению с python-keras в общем-то и нет. Необходимость самому писать колбэки и реализовывать современные архитектуры за костыли не считаю, поскольку на питоне их пишут такие же юзеры точно таким же образом.
То есть не хватает именно хорошего фреймворка — порта pytorch, или даже сразу fastai.
Материалы на русском есть. Как минимум, это переводная книга Шеррингтона "Осваиваем язык Julia" и мое недоруководство https://github.com/statist-bhfz/julia_stats Проблема в моментальном устаревании написанного прежде всего.
Пора забывать GridSearchНет, пора вспоминать (или узнавать), что не гридсёрчем единым: https://habr.com/ru/company/skillfactory/blog/528240/
Это скорее proof of concept, чем полноценная библиотека. К тому же не обновляется уже почти год.
Когда знаешь оба-два, различий особых нет.
mlr3крайне похож наscikit-learn;xgboost/lightgbm/catboostвообще одинаковые (внутри C++, на R и питоне только обертки, так что как минимум качество моделей при прочих равных различаться не должно).tensorflow/kerasтакже через обертку можно заюзать в R, основное отличие будет в замене точки на $ для вызова методов. Вот пайторч пока не завезли, но и в этом направлении ведутся работы.data.tableвпервые, рекомендую Руководство по data.tableСтатьи по желанию можно просто не читать, а вот вирусным заболеванием просто не болеть не выйдет.
Пока этот пост переводили, много другого напостили, но не выбрасывать же работу.
Лаконичнее и монолитнее, что ли. В
kerasвсе нестандартные штуки, начиная с кастомных функций потерь, делаются посредством вызова функций бекенда — как правило, этоtensorflow. Вpytorchвсе прозрачнее. Аfastaiдобавляет сверху набор эвристик и хорошо подобранные значения параметров по умолчанию, по крайней мере для наиболее типичных задач.То есть не хватает именно хорошего фреймворка — порта pytorch, или даже сразу fastai.
Материалы на русском есть. Как минимум, это переводная книга Шеррингтона "Осваиваем язык Julia" и мое недоруководство https://github.com/statist-bhfz/julia_stats Проблема в моментальном устаревании написанного прежде всего.