Расширение парадигмы Крэнфилда для оценки систем машинного обучения. Парадигма Крэнфилда Разработка моделей и методов значительно ускорилась благодаря доступности многоразовых наборов тестов, сформированных с помощью стандартизированной и тщательно проверенной методологии, известной как парадигма Крэнфилда . [1] Чаще это используется в оценке TREC . Согласно парадигме Крэнфилда, оценка поисковых систем обычно включает: Допустим, мы оцениваем N поисковых систем [A, B, C, …,..

Недавно я глубоко погрузился в мир науки о данных, инфраструктуры данных и машинного обучения. Это дало мне великолепное представление об огромном количестве различных инструментов, которые все больше и больше фрагментируют ландшафт. См., Например, эту статью FirstMark , в которой ясно показан необъятный ландшафт. Более того, то, что наука о данных неразрывно связана с бизнесом, вероятно, для вас не новость. По этой причине многие компании начали нанимать специалистов по анализу..

Наука о данных — обширная область. Есть много путей, по которым вы можете стать специалистом по данным, и все они ведут к совершенно разным конечным целям. Вы можете специализироваться на компьютерном зрении, обработке естественного языка, обнаружении аномалий и так далее. Но независимо от вашей конечной цели, есть несколько инструментов, алгоритмов и программ, которые очень помогут вам на этом пути, если вы хотя бы знаете о них. Имейте в виду, что этот пост в блоге не охватывает..

Еще одно решение для мониторинга машинного обучения? В сегодняшнем «Вторнике новых инструментов» есть что-то особенное. Мой старый босс и основатель сообщества MLOps Люк Марсден - соавтор. На выходных я поговорил с Люком об этом инструменте и о том, почему они его создали. Однако, прежде чем мы поговорили об этом инструменте, первое, что он сказал мне, было Я видел ваш« пост на LinkedIn … да, извините за это» 😆 Во всяком случае, я спросил его, какого черта он сделал бы решение..

Записки из промышленности Уроки по платформам машинного обучения - от Netflix, DoorDash, Spotify и других Ваши специалисты по обработке данных создают прекрасные модели, но они могут принести пользу только после того, как модели будут интегрированы в ваши производственные системы. Как сделать так, чтобы аналитики данных могли неоднократно приносить пользу? Что вы строите, что покупаете и какие инструменты вам нужны для решения конкретных проблем вашей организации? Многие компании,..