Публикации по теме 'modelops'
Развертывание моделей для максимального увеличения воздействия машинного обучения - часть 1
Авторы: Стефан Пачинда и Джон Спунер из H2O.ai
Введение в 4 основных принципа развертывания модели (1-я часть серии блогов)
Итак, вы создали модель машинного обучения (ML), которая обеспечивает высокий уровень точности и не допускает переборов. Какую ценность это имеет сейчас? Ну, на данный момент ничего, ноль, нечестно приседаю. Нет экономической ценности в модели машинного обучения, которая никогда не выходит в свет и не используется в производстве для принятия бизнес-решений...
Работа с дисбалансом данных в машинном обучении
Несбалансированность данных или несбалансированные классы — это распространенная проблема в классификации машинного обучения, когда набор обучающих данных содержит непропорциональное соотношение выборок в каждом классе. Примеры реальных сценариев, которые страдают от дисбаланса классов, включают обнаружение угроз, медицинскую диагностику и фильтрацию нежелательной почты.
Дисбаланс классов может затруднить обучение эффективных моделей машинного обучения, особенно когда недостаточно..
Развитие сложности ModelOps: выбор правильного уровня
В моих предыдущих статьях говорилось о том, почему организациям следует выбирать ModelOps и как реализовать ModelOps, используя целостный подход, охватывающий процессы, людей и технологии. В этой статье объясняется, какие уровни сложности доступны при реализации ModelOps, и как выбрать правильный уровень.
ModelOps - это НЕ универсальный подход. Важно определить соответствующий уровень сложности, исходя как из текущей готовности организации, так и с учетом ее текущих и будущих..