Публикации по теме 'pipeline'
Масштабное развертывание машинного обучения с помощью Kedro и Cortex
Развертывание модели машинного обучения в производстве по-прежнему является областью, в которой отсутствует соответствие, номенклатура и шаблоны. Если не считать нескольких технологических компаний, которые рано начали этот путь, для поздних последователей методов машинного обучения это в значительной степени дикий запад, когда дело доходит до стандартов развертывания моделей.
Некоторые другие проблемы включают культуру групп по науке о данных внутри организации, производство процесса..
ДЕЙСТВИТЕЛЬНО ЛИ МОДЕЛИ ГЛУБОКОГО ОБУЧЕНИЯ ЛУЧШИЕ?
ДЕЙСТВИТЕЛЬНО ЛИ МОДЕЛИ ГЛУБОКОГО ОБУЧЕНИЯ ЛУЧШИЕ?
В заключительной части нашей серии мы проанализируем производительность нашего набора данных, внедрив модель глубокого обучения. Статья ниже прольет свет на то, можем ли мы добиться лучших результатов при таком подходе.
В предыдущих частях нашей серии мы заметили, что модель случайного леса превзошла другую модель. Теперь нам интересно выяснить, даст ли модель глубокого обучения лучшие результаты.
В этой модели мы фокусируемся на..
GridSearchCV для настройки параметров в алгоритмах машинного обучения
Большинство алгоритмов машинного обучения, предоставляемых scikit-learn , имеют параметры по умолчанию. Однако в большинстве задач эти параметры не обеспечивают наиболее оптимальную производительность алгоритма из-за характера проблемы, размера используемого набора данных или характера характеристик набора данных, дискретных или категориальных. Основываясь на предварительном анализе данных, GridSearchCV может помочь в поиске в пространстве параметров наиболее эффективных параметров..
Оркестрация конвейеров для машинного обучения в реальном времени с помощью Azure Machine Learning
Введение:
В сегодняшней среде, управляемой данными, организации генерируют больше данных, чем когда-либо прежде. Эти данные можно использовать для получения ценных сведений о поведении клиентов, операционной эффективности и других областях. Однако эффективно управлять этими данными и анализировать их может быть сложно. Машинное обучение Azure предоставляет надежную платформу, которая помогает организациям организовывать рабочие процессы машинного обучения, развертывать модели в реальном..
Контролируемое машинное обучение с использованием Python Scikit-learn
Краткое изложение того, как использовать библиотеку Python Scikit-learn для решения различных задач контролируемого машинного обучения, с подробным обсуждением ключевых концепций перекрестной проверки и конвейера.
Scikit-learn впервые был выпущен в 2010 году и с тех пор является популярной библиотекой машинного обучения Python. Он реализует различные алгоритмы машинного обучения и предоставляет согласованные API-интерфейсы Python. В последнее время я изучаю Scikit-learn и хочу..
Применение методов MLOps с помощью SageMaker — Часть 2. Конвейер
В предыдущей части этой серии статей мы увидели краткое введение в MLOps и Amazon SageMaker. На этот раз мы углубимся в конвейеры AWS SageMaker и их работу.
Прежде всего, давайте немного вспомним о конвейерах. Согласно C3 AI : Конвейер машинного обучения — это комплексная конструкция, которая организует поток данных в модель машинного обучения (или набор из нескольких моделей) и вывод из нее. Он включает в себя ввод необработанных данных, функции, выходные данные, модель машинного..
MLOPS: создание и развертывание классификатора дерева решений
Жизнь в цифровом мире также означает производство данных. За следующие 8 минут, которые вы потратите на чтение этой статьи, мир сгенерирует около 10,4 тысячи терабайт данных. По данным платформы Gartner, это означает более миллиона встреч через Zoom или более 2 миллионов публикаций в Instagram. Все эти ценные данные используются крупными компаниями, чтобы знать предпочтения своих пользователей, продавать продукты, предлагать услуги и делать прогнозы. Он также используется в научных..
