Badania Fast Forward Labs są teraz dostępne bez subskrypcji
W przyszłości wszystkie nowe raporty będą dostępne publicznie i będzie je można pobrać bezpłatnie. Wkrótce udostępnimy także zaktualizowane wersje starszych raportów, więc zachęcamy do częstego sprawdzania i eksploracji nowej zawartości.
Twoi przyjaciele od danych
Uczenie maszynowe daje ogromne możliwości jednak jego operacjonalizacja wiążę się z wieloma wyzwaniami. Wszelkie wysiłki mogą szybko spełznąć na niczym z powodu dużej zmienności w obszarze technologii - począwszy od wyzwań związanych z organizacją zespołów po trudności związane z odróżnieniem szumu medialnego od rzeczywistości.
Pozwól kierownikom i zespołom ds. data science skupić się na przyszłości Twojej firmy dzięki wirtualnej pomocy oddanej kadry naukowej, która nieustannie monitoruje najnowsze techniki i najlepsze praktyki branżowe, a także ustala, jak najlepiej wykorzystać je w rozwiązywaniu trudnych problemów biznesowych.
Badania Cloudera Fast Forward Labs skupiają się na najnowszych tendencjach, które nieustannie ewoluują na skutek przełomowych osiągnięć w obszarze algorytmów i sprzętu, a także upowszechnienia technologii oraz większej dostępności danych. Do raportów dołączone są działające prototypy, które przedstawiają możliwości algorytmu oraz szczegółowe porady dotyczące jego zastosowania w praktyce.
Co obejmuje raport dotyczący badań?
Dzięki raportowi z badań Cloudera Fast Forward Labs zyskujesz wgląd w nowe zastosowania danych i istotną przewagę za sprawą:
- raportów z badań dotyczących najnowszych możliwości w obszarze danych i uczenia maszynowego, które będą miały duże znaczenie w okresie od sześciu miesięcy do dwóch lat;
- prototypu demonstrującego zastosowanie algorytmu;
Dodatkowo możesz subskrybować nasz biuletyn z aktualnościami na temat nowych badań i rozwoju branży.
Najnowsze badania
BEZPŁATNIE
Wnioskowanie dryfu pojęć bez oznaczonych danych
Dryf pojęć występuje, gdy właściwości statystyczne domeny docelowej zmieniają się w czasie, powodując pogorszenie wydajności modelu. Wykrywanie dryfu jest zazwyczaj osiągane przez monitorowanie metryki wydajności i wyzwalanie potoku ponownego trenowania, gdy metryka spadnie poniżej określonego progu. Podejście to zakłada jednak, że w czasie przewidywania dostępna jest wystarczająca ilość oznaczonych danych, co dla wielu systemów produkcyjnych jest nierealistycznym ograniczeniem. W tym raporcie badamy różne podejścia do radzenia sobie z dryfem pojęć, gdy oznaczone dane nie są łatwo dostępne.

BEZPŁATNIE
Wielokryterialna optymalizacja hiperparametrów
Opracowujemy modele uczenia maszynowego na bazie „typowych” metryk, takich jak dokładność predykcyjna, przypominanie i precyzja. Jednak te metryki rzadko są naprawdę wszystkim, na czym nam zależy. Modele produkcyjne muszą również spełniać wymagania fizyczne, takie jak ograniczenia dotyczące opóźnień, zużycia pamięci i bezstronności. Optymalizacja hiperparametrów staje się jeszcze trudniejsza, gdy trzeba zoptymalizować wiele metryk. Nasze najnowsze badanie szczegółowo analizuje ten scenariusz „wielokryterialnej” optymalizacji hiperparametrów.

Usługi doradcze Cloudera związane z uczeniem maszynowym
Gdzie skoncentrować swoje zasoby, jak wdrożyć najlepsze praktyki, w jaki sposób przyspieszyć proces przechodzenia z etapu opracowywania do produkcji, a także jak nie popełniać błędów przy wyborze technologii.
Blog Fast Forward Labs
-
Cloudera’s Applied ML Prototype Catalog Continues to GrowHere at Cloudera, we’re committed to helping make the lives of data practitioners as painless as pos...
-
Getting Started with Machine LearningAn introduction to Machine Learning and the Data Science Lifecycle The post Getting Started with Mac...
Bądź na bieżąco
Zapisz się, aby otrzymywać comiesięczny biuletyn, w którym znajdziesz najnowsze informacje na temat postępów w stosowaniu sztucznej inteligencji, a także o nowościach i wydarzeniach w naszej firmie.