Коллекции Heartbeat
Оптимизация модели машинного обучения
Каталог публикаций Heartbeat, посвященных методам, советам и передовым методам точной настройки и оптимизации моделей машинного обучения.
Оптимизация модели машинного обучения
Будь то обработка и подготовка наборов данных для обучения модели, сокращение весов модели, настройка параметров или любое количество других подходов и методов, оптимизация моделей машинного обучения - дело любви.
Важно отметить, что не существует универсального подхода: разные варианты использования требуют разных методов, а различные этапы жизненного цикла построения модели определяют возможные и предпочтительные стратегии оптимизации.
Чтобы помочь вам изучить бесчисленное множество методов и техник оптимизации модели машинного обучения на протяжении всего жизненного цикла, мы собрали ряд полезных сообщений Heartbeat, которые охватывают такие темы, как:
- Обработка данных
- Выбор архитектуры
- Отладка модели
- Визуализация модели ML
- Оценка и выбор модели машинного обучения
- Настройка гиперпараметров, алгоритмы оптимизации и многое другое
Обработка данных
H2O AutoML + Обработка больших данных с помощью Apache Spark
Воспользуйтесь скоростью и масштабируемостью H2O AutoML с возможностями обработки больших данных Apache Spark
- Джамшед Хан
Предварительная обработка и визуализация данных для моделей машинного обучения
Изучите основы предварительной обработки и визуализации данных, включая то, почему это важно, и практические шаги для этих важных процессов.
- Автор Наташа Шарма
Введение в методы преобразования текста для обработки естественного языка
Введение в несколько основных методов предварительной обработки текстовых данных: разделение предложений, токенизация, выделение корней, лемматизация и удаление стоп-слов.
- Автор Саи Камбампати
Отладка моделей машинного обучения: устранение проблем, связанных с данными
Без хорошо подготовленных данных ни один алгоритм или архитектура машинного обучения не будут работать эффективно. Вот краткий обзор некоторых методов отладки, связанных с данными, для моделей машинного обучения.
- Автор Дхирадж Кумар
Руководство по исследованию: расширение данных для глубокого обучения
Изучение популярных и новейших подходов к методам увеличения данных для различных задач глубокого обучения.
- Автор Деррик Мвити
Сценарии обработки данных: чтение файлов CSV, преобразование категорий и поиск пустых строк в кадре данных.
Изучите методы решения распространенных проблем с наборами данных: чтение CSV, преобразование категорий и поиск пустых строк во фрейме данных.
- Автор Око Анита
Достаточно ли хороши ваши данные?
В этом посте представлен ряд ключевых вопросов, которые все инженеры по машинному обучению должны задать себе о своих данных перед построением моделей.
- Сальма Гонейм (Machine’s Creativity)
Выбор архитектуры
Выбор лучшей архитектуры для искусственных нейронных сетей
Новички в ИНС обычно задают вопрос, можно ли выбрать оптимальную архитектуру. Этот пост пытается ответить на этот важный вопрос.
- Автор Ахмед Гад
Руководство по поиску нейронной архитектуры
Обзор популярных и текущих подходов к поиску нейронной архитектуры, который направлен на автоматизацию процесса проектирования нейронных сетей.
- Автор Деррик Мвити
Отладка модели
Лучшие практики глубокого обучения: методы регуляризации для повышения производительности нейронной сети
В этом руководстве рассматриваются основы компромисса смещения и дисперсии в нейронных сетях и представлены методы регуляризации для повышения производительности модели.
- Автор Ниранджан Кумар
5 методов TensorFlow для устранения переобучения DNN
Ранняя остановка, регуляризация L1 и L2, выпадение, регуляризация максимальной нормы и увеличение данных с помощью TensorFlow.
- Автор Салма Гонейм
Отладка моделей машинного обучения: устранение высокой систематической ошибки и высокой дисперсии
Узнайте, как выявлять и решать проблемы, связанные с высокой систематической ошибкой и высокой дисперсией моделей машинного обучения.
- Автор Дхирадж Кумар
Компромисс смещения и отклонения, позволяющий избежать недостаточного / переобучения
Обзор двух фундаментальных концепций оценки производительности модели машинного обучения: смещения и дисперсии.
- Автор Махер
Визуализация модели машинного обучения
Моделирование и развертывание рекомендателей на основе обнаружения объектов в Интернете
Как создать и развернуть рекомендатель на основе обнаружения объектов
- Автор Пранджал Саксена
Тепловые карты и CNN с использованием Fast.ai
Узнайте все о CNN и технике визуального представления, чтобы интуитивно понимать их результаты.
- Автор Дипам Васани
Интерпретируемость и визуализация модели: взгляд изнутри черный ящик нейронной сети
Нейронные сети могут показаться немного загадочными - можно сказать, как черный ящик. В этой статье рассматривается, как интерпретируемость и визуализация модели могут помочь нам увидеть, что происходит под капотом.
- Автор: Авинаш
Анализ моделей машинного обучения с помощью Yellowbrick
Узнайте, как анализировать и визуализировать модели машинного обучения с помощью диагностической платформы Yellowbricks.
- Автор Парул Пандей
Выбор и оценка модели машинного обучения
Предварительно обученные модели машинного обучения и модели, обученные с нуля
Пересмотр растущего предположения о том, что работа с предварительно обученными моделями приводит к более высокой точности модели.
- Автор: Авинаш
Оценка и выбор модели машинного обучения
Изучите передовые методы проверки вашей модели машинного обучения.
- Автор Шихар Гупта
Оценка классификационной модели
Подробный обзор того, как оцениваются модели машинного обучения, в том числе: процедуры оценки, метрики и где их применять.
- Автор Лахиру Лиянапатирана
Введение в оценку модели машинного обучения
В этой статье мы объясняем методы, используемые для оценки того, насколько хорошо модель машинного обучения обобщается на новые, ранее невидимые данные. Мы также проиллюстрируем, как общие метрики оценки модели реализуются для классификации и задач регрессии с использованием Python.
- Автор Стив Мутуви
Настройка гиперпараметров, алгоритмы оптимизации и многое другое
Изучение оптимизаторов в машинном обучении
Руководство по широко используемым функциям оптимизатора с указанием их преимуществ и ограничений.
- Никита Шарма
Создание производственных систем машинного обучения на платформе Google Cloud (часть 1)
Масштабирование до облачной платформы для быстрого обучения модели, оценки, вывода, регистрации и мониторинга.
- Автор Bamigbade Opeyemi
Два типа аппаратных архитектур для эффективного обучения и вывода глубоких нейронных сетей
Изучение временной и пространственной аппаратных архитектур для оптимизации обучения и вывода нейронных сетей.
- Автор Джеймс Ли
У глубокого обучения есть проблема с размером
Любой ценой ставить под сомнение ориентацию глубокого обучения на точность и изучать методы построения более эффективных моделей.
- Автор Джеймсон Тул
Настройка гиперпараметров машинного обучения
Демистификация значения гиперпараметров, понимание их важности, а также их оптимизация и точная настройка.
- Автор Гилберт Аджей
Введение в скорость обучения в машинном обучении
Скорость обучения модели машинного обучения определяет, насколько быстро модель заменяет изученные концепции новыми. Вот краткий вводный обзор.
- Автор Сахил Чаудхари
Анатомия высокопроизводительной свертки
Изучение способов оптимизации работы нейронной сети.
- Автор Манас Сахни
Улучшение моделей машинного обучения с помощью XGBoost
Узнайте, что такое повышение градиента и как вы можете использовать его для оптимизации модели машинного обучения с помощью XGBoost.
- Автор Деррик Мвити
5 алгоритмов эффективного вывода глубокого обучения на небольших устройствах
Изучение 5 распространенных и популярных алгоритмов для более эффективного вывода при глубоком обучении, что особенно важно для работы с периферийными устройствами.
- Автор Джеймс Ли
Демистификация методов ансамблевого обучения
Узнайте об ансамблях, используемых в машинном обучении. Подробное объяснение методов упаковки, повышения и стекирования для науки о данных.
- Автор: Rising Odegua
Руководство по исследованию: Расширенные функции потерь для моделей машинного обучения
Глубокое погружение в популярные и новейшие расширенные функции потерь, предназначенные для улучшения различных моделей машинного обучения.
- Автор Деррик Мвити
Создание машинного обучения для iOS - повышение точности модели
Изучите методы повышения показателей точности модели при создании моделей машинного обучения для iOS с помощью Apple Create ML.
- Автор: Навдип Сингх
8-битное квантование и TensorFlow Lite: ускорение мобильного вывода с низкой точностью
Развертывание эффективных нейронных сетей на мобильных телефонах становится все более важным. В этом посте исследуется концепция квантового вывода и то, как он работает в TensorFlow Lite.
- Автор Манас Сахни
Как сделать модели машинного обучения устойчивыми к выбросам
Изучите общие методы обнаружения выбросов, их влияние и способы их устранения в ваших моделях машинного обучения.
- Автор Альвира Свалин
Некоторые важные приемы и хитрости для машинного обучения с Python
Обзор некоторых важных приемов и приемов для практики машинного обучения с Python. Пакеты для общих рабочих процессов машинного обучения, визуализации и многого другого.
- Автор Тиртхаджоти Саркар
Как разместить большие нейронные сети на периферии
Изучите методы, которые помогут разместить нейронные сети на периферийных устройствах, как для обучения, так и для вывода.
- Автор: Бхаратх Радж
Примечание редактора: Heartbeat - это онлайн-публикация и сообщество, созданное авторами и посвященное предоставлению первоклассных образовательных ресурсов для специалистов по науке о данных, машинному обучению и глубокому обучению. Мы стремимся поддерживать и вдохновлять разработчиков и инженеров из всех слоев общества.
Независимая редакция, Heartbeat спонсируется и публикуется Comet, платформой MLOps, которая позволяет специалистам по обработке данных и группам машинного обучения отслеживать, сравнивать, объяснять и оптимизировать свои эксперименты. Мы платим участникам и не продаем рекламу.
Если вы хотите внести свой вклад, отправляйтесь на наш призыв к участникам. Вы также можете подписаться на наши еженедельные информационные бюллетени (Deep Learning Weekly и Comet Newsletter), присоединиться к нам в » «Slack и подписаться на Comet в Twitter и LinkedIn для получения ресурсов, событий и гораздо больше, что поможет вам быстрее и лучше строить модели машинного обучения.
