Публикации по теме 'google-cloud-platform'
Онлайн-вывод с использованием моделей вершинного ИИ / конечных точек на ранней стадии машинного обучения Введение
Привет, я Наоки Комото (河本 直起), работаю инженером по машинному обучению в AnyMind.
В AnyMind мы разрабатываем среду MLOps с нуля.
В предыдущих статьях мы представили наши усилия по созданию среды MLOps, такой как конвейер данных и конвейер обучения модели.
Cloud Composer (Airflow) для конвейера данных машинного обучения В этой статье я хотел бы представить наш конвейер данных с использованием Cloud Composer (Airflow), включая его текущую настройку…..
Открытие SSH-соединения с Google Cloud VM в VS Code
Просмотр кода на вашей виртуальной машине в Visual Studio может быть чрезвычайно полезен для более глубокого изучения проблемы, но вы не можете просто запустить code . через ssh-туннель.
Вот как использовать Visual Studio Code с виртуальной машиной GCP на Mac.
Шаг 1) Сгенерируйте SSH-ключ
Следуйте шагам здесь , чтобы создать свой SSH-ключ.
Наша организация использует вход в ОС, но для того, чтобы открыть нашу виртуальную машину в коде VS, нам нужен ключ SSH.
ssh-keygen -t rsa -f..
Интеграция облачных функций Firebase с Google Calendar API
Недавно я начал использовать Firebase для своих проектов и добился некоторого успеха с их хостингом, Firestore и службами аутентификации. Когда я попытался использовать их облачные функции, я увидел ценность в интеграции их с их API Календаря Google. Я хотел иметь возможность запускать облачную функцию и иметь возможность управлять моим личным Календарем Google, но столкнулся с некоторыми проблемами с авторизацией функции, так как мне не требовался вход в систему при каждом ее выполнении...
Использование составных объектов Dialogflow CX для обхода ограничений системных объектов
Dialogflow CX предоставляет множество системных объектов для извлечения общих типов из выражений конечного пользователя. В большинстве случаев значения, предоставляемые системными сущностями, работают хорошо, однако поддержка различается для языков и регионов. Некоторые типы системных сущностей пока недоступны в регионах за пределами США и других стран, в то время как другие, доступные в настоящее время, имеют некоторые ограничения для определенных языков, например итальянского. В этом..
Использование Python с Integromat
Вы когда-нибудь хотели написать сценарий Python, который можно было бы использовать с вашим сценарием Integromat ?
На самом деле это проще, чем я ожидал, использовать Google Cloud Functions .
Вот супер простой способ повторно реализовать встроенную replace(string;old;new) функцию с помощью Python.
Встроенная функция
Это разумный способ сделать это, используя встроенную функцию Integromat:
Встроенные функции на самом деле довольно мощные, но у них, безусловно, есть..
Большое облако Google, машинное обучение и его сущности.
10 лет назад появилась облачная платформа Google, и видеть, насколько облако выросло за эти годы, просто потрясающе. Мы всегда верим, что облако достаточно велико. «Облако достаточно широкое, чтобы птицы могли летать, не касаясь друг друга». Доверьтесь облаку. Одна из самых удивительных функций облака - масштабируемость, рассчитанная на следующий миллиард пользователей. Возможность плавно управлять трафиком, перегрузками, рабочим процессом, хранилищем, скоростью и т. Д.
Ссылаясь на..
5 минут машинного обучения: сделайте свою модель более точной [День 4]
В моем последнем посте обсуждалась концепция потерь при построении модели машинного обучения. Подводя итог предыдущему посту (чтобы мы могли перейти к исправлению ошибок, черт возьми), подумайте о модели как о линии на графике множества точек данных. Расстояние между точками данных и линией = убыток, что плохо. Цель этой линии — поразить как можно больше точек данных. Итак, как мы можем позволить нашим моделям точно предсказывать и минимизировать потери?
Что ж… это не так просто или..
Новые материалы
Объяснение документов 02: BERT
BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка.
Во время предварительного обучения модель обучается на неразмеченных данных с помощью..
Как проанализировать работу вашего классификатора?
Не всегда просто знать, какие показатели использовать
С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..
Работа с цепями Маркова, часть 4 (Машинное обучение)
Нелинейные цепи Маркова с агрегатором и их приложения (arXiv)
Автор : Бар Лайт
Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..
Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
Как вы сегодня, ребята?
В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..
Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение.
В этом процессе мы будем использовать неконтролируемое обучение, чтобы..
Учебные заметки: создание моего первого пакета Node.js
Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm.
Оглавление
Глоссарий
I. Новый пакет
1.1 советы по инициализации..
Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных.
Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..