Машинное обучение в исследованиях сильно отличается от промышленного. Однако есть проблема, общая для обоих: масштабируемость . В настоящее время у нас есть модели машинного обучения и наборы данных, которые настолько велики, что было бы почти немыслимо проводить исследования машинного обучения без графического процессора, высокопроизводительного вычислительного кластера или облачной инфраструктуры. У нас, как у специалистов по машинному обучению, нет выбора, к какой инфраструктуре мы..

Я видел много методов развертывания и мониторинга машинного обучения. Kubernetes оказался наиболее стабильным механизмом развертывания. На следующей неделе состоится живой семинар, организованный техническим директором и инженером по машинному обучению Лией Колбен, на котором она расскажет, как всего за 30 минут развернуть модели машинного обучения в рабочей среде с помощью Kubernetes. Вот ссылка для регистрации: https://info.cnvrg.io/deploy-machine-learning-model-workshop

Хотите больше подробностей о MLOps? Обязательно подпишитесь на новостную рассылку MLOps Now. Мониторинг моделей имеет решающее значение для успеха машинного обучения в бизнесе. Хорошо обученная модель может использовать преимущества больших и сложных наборов данных, чтобы значительно повлиять на принятие решений и прибыльность. Последнее место, где вы хотите быть, — это объяснять вашему боссу, почему модель прогнозирования по-крупному облажалась в бизнесе. Мониторинг моделей — это..

Этапы построения модели [См. Kaggle: ваша первая модель машинного обучения ]( https://www.kaggle.com/dansbecker/your-first-machine-learning-model) Шаги построения и использования модели: Определить . Какой тип модели это будет? Дерево решений? Какой-то другой тип модели? Задаются и некоторые другие параметры типа модели. Соответствие . Сопоставление шаблонов с предоставленными данными. Это сердце моделирования. Предсказывать: как это звучит Оценить . Определите, насколько..