Публикации по теме 'mlops'
MLOps-Советы и хитрости-75 фрагментов кода
MLOps-Советы и хитрости-75 фрагментов кода
MLOps и обработка данных
Введение:
MLOps, или операции машинного обучения, относятся к набору методов, которые оптимизируют разработку, развертывание и обслуживание моделей машинного обучения, устраняя разрыв между наукой о данных и разработкой программного обеспечения. Эта статья призвана предоставить ценные советы и рекомендации по MLOps и обработке данных, охватывая широкий круг тем, таких как обучение моделей, предварительная обработка..
Освоение проверки данных с помощью TensorFlow
TensorFlow, популярная библиотека машинного обучения с открытым исходным кодом, предлагает мощный инструмент под названием TensorFlow Data Validation (TFDV) для облегчения проверки и предварительной обработки данных. В этой статье мы углубимся в TFDV и рассмотрим, как его можно использовать для повышения надежности конвейера машинного обучения.
Понимание проверки данных TensorFlow (TFDV)
Проверка данных TensorFlow (TFDV) — это библиотека, разработанная, чтобы помочь вам проверять,..
Дрейф модели в машинном обучении — наука о данных
Подпишитесь на Квантификаторы для статей по финансам и аналитике
Мы ожидаем, что наша модель будет работать так же, как и с обучающими данными. Однако, если распределение производственных данных отличается от распределения обучающих данных, это может привести к дрейфу модели. Дрейф модели относится к снижению прогностической способности модели.
Дрейф модели возникает, когда:
Данные обучения плохо отобраны Происходит изменение основного бизнес-контекста
Почему важно..
Переход на Sage Maker
Структурирование, отладка и обучение пользовательских моделей в FireVisor с использованием AWS SageMaker
Почти все, что мы видим вокруг себя сегодня, производится на фабриках. Однако производство в том виде, в каком мы его видим сегодня, в основном устарело. Производители тратят до 15–20% выручки от продаж за счет затрат на низкое качество (COPQ) [ ссылка ]. Сюда входят затраты на обнаружение и предотвращение отказов продукта. Чем позже обнаружен дефект, тем больше ресурсов было..
Как упростить развертывание модели машинного обучения? Автоматизированные проверки работоспособности.
Скорее всего вы сталкивались с этим. Вы создали модель машинного обучения (ML) и обучили ее на большом количестве данных. Результаты валидации выглядят очень многообещающе, поэтому вы отправляете модель на подготовку к производству, и вдруг что-то не так. Модель не провалилась полностью, но ваши показатели не соответствуют тому, что вы наблюдали на этапе обучения и оценки. Пришло время выделить время для проверки работоспособности, чтобы вы могли выяснить, что пошло не так, и как это..
Избегайте зависимостей ML, синхронизирующих черную дыру
Использование MLFlow и Apache Spark для изоляции логических выводов и зависимостей обучения.
Вы когда-нибудь пытались развернуть модель машинного обучения только для того, чтобы получить сообщение об ошибке, похожее на следующее?
RuntimeError: Running pandas version ('1.5.3') is incompatible with min ('1.1.0'} and max ('1.2.5') versions
Если вы развернули и получили ошибку, это ваш счастливый день. Лучше ошибка, чем модельная зависимость, которая дает немного разные результаты для..
Млопс за 10 минут
Как MLOps помогает на всех этапах проекта машинного обучения
Распространено заблуждение, что MLOps — это исключительно инструменты, которые мы используем для развертывания моделей и подготовки инфраструктуры для этого. Отчасти так и есть, но это не вся история — есть гораздо больше. В этом посте я разобью проект машинного обучения на несколько этапов и объясню, как MLOps помогает на каждом из них.
MLOps — это новая тема, и нет единого мнения о том, что это такое, а что нет. В этом..
Новые материалы
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..
ИИ в аэрокосмической отрасли
Каждый полет – это шаг вперед к великой мечте. Чтобы это происходило в их собственном темпе, необходима команда астронавтов для погони за космосом и команда технического обслуживания..