Публикации по теме 'google-cloud-platform'
Гибкая архитектура для аналитики и искусственного интеллекта в Google Cloud
Делайте ставку на low-code/no-code и serverless
Гибкая архитектура — это та, которая дает вам:
Скорость разработки. Вы должны быть в состоянии перейти от идеи к развертыванию как можно быстрее. Гибкость для быстрого внедрения новых функций. Иногда скорость достигается за счет гибкости — архитектура может втиснуть вас в очень ограниченный набор вариантов использования. Вы этого не хотите. Не требует особого обслуживания , поэтому вы не тратите время на управление инфраструктурой...
Разверните свой собственный помощник по базе знаний на основе Vertex AI и Pinecone
Когда я отправился в свое путешествие по изучению GenAI, меня привлекли некоторые проницательные работы Джерома Раджана и Прадипа Ничите . Их сообщения в блогах послужили катализатором моего любопытства, разжигая страсть к более глубокому изучению возможностей этой передовой технологии.
В этом блоге я поделюсь своим опытом о том, как я пытаюсь превратить вдохновение в осязаемые решения, создавая что-то, что могло бы стать практическим решением реальных бизнес-задач, которые я..
Прогнозирование покупок посетителей с помощью BigQuery ML на GCP
Всем привет ,
Сегодня мы рассмотрим обзор прогнозирования покупок посетителей с помощью BigQuery ML на GCP с практическими упражнениями.
Итак, начнем:
Введение . BigQuery – это полностью управляемая, не требующая операций и недорогая аналитическая база данных Google. С помощью BigQuery вы можете запрашивать терабайты и терабайты данных без какой-либо инфраструктуры для управления или необходимости в администраторе базы данных. BigQuery использует SQL и может использовать модель..
Сертифицированный профессиональный инженер по машинному обучению Google
"Скачать сейчас"
Превратите бизнес-задачи в варианты использования ML Выберите оптимальное решение (ML или не ML, индивидуальное или готовое) Определите, как выходные данные модели должны решить бизнес-проблему Определите источники данных (доступные или идеальные) Определите проблемы ML (тип проблемы, результат прогнозов, форматы ввода и вывода) Определить критерии успеха бизнеса (согласование показателей машинного обучения, ключевые результаты) Выявление рисков для решений ML..
Добавление человеческого разума в MNIST с помощью нейронных клеточных автоматов
В этом эксперименте я использовал результаты маркетингового исследования своей диссертации, проведенного с участием реальных людей, чтобы изменить ядро CNN. Идея заключалась в том, чтобы добавить человеческую рациональность для решения задачи MNIST с помощью различительного нейронного клеточного автомата. Также был добавлен остаточный слой для имитации человеческой памяти. Результаты показывают, что нейронная сеть вела себя как 5-летний ребенок.
Стоит прочитать...
Бессерверное обучение с передачей данных с помощью Cloud ML Engine и Keras
Классификация изображений с использованием глубокого обучения сегодня широко известна, но вы слышите лишь небольшое количество успешных новостей о классификации изображений. Причина, я полагаю, в том, что для достижения хороших результатов требуются огромные данные и много времени.
Трансферное обучение решает такую проблему сложным образом. Трансферное обучение - это метод, который использует предварительно обученную сеть и немного изменяет ее в конце сети, поэтому вы повторно..
Сквозное машинное обучение с использованием FastAPI, Streamlit, Docker, Google Cloud Platform.
Доступно ограниченное количество статей, демонстрирующих полный комплексный проект машинного обучения. Кроме того, некоторые из них прекращают работу сразу после контейнеризации своего приложения или API. Однако также важно делиться своей работой и проектами с остальным миром, чтобы люди могли легко получить доступ к вашему API или приложению. Поэтому цель настоящей статьи — представить разработку приложения, размещенного на Google Cloud Platform и доступного как для настольных..
