Публикации по теме 'data-modeling'


Жизненный цикл машинного обучения
Продукт Проблема . Какую проблему пытается решить приложение машинного обучения. Определите проблему так, чтобы у нее было решение. Бизнес-цель . Метрика, от которой будет зависеть успех вашего проекта по машинному обучению. Создайте метрики, которые архивируют или не достигают цели. Данные Получить данные . Начните запись и хранение данных после того, как будет выбран продукт. Обработка данных : обработка ваших данных таким образом, чтобы они были структурированы таким..
Руководство для начинающих по выбору правильного статистического теста в моделировании машинного обучения
Руководство для начинающих по выбору правильного статистического теста в моделировании машинного обучения Моделирование машинного обучения включает в себя использование статистических тестов для прогнозирования на основе данных. Новичку может быть сложно выбрать правильный статистический тест для своей модели. Этот пост в блоге призван предоставить руководство для начинающих по выбору правильного статистического теста в моделировании машинного обучения. Шаг 1. Определите тип данных..
Мое путешествие по моделированию данных с DynamoDB
Бессерверный менеджер паролей с использованием AWS KMS и Amazon DynamoDB, часть 3 Этот блог не зависит от предыдущего блога, и если вы ищете только моделирование данных с помощью DynamoDB, вы все равно можете прочитать его. Также посетите следующие блоги: Часть 1: Бессерверный менеджер паролей с использованием AWS KMS и Amazon DynamoDB Часть 2: Все, что вам нужно знать об Amazon DynamoDB Хорошо с этим сказано, давайте начнем. Из предыдущего блога мы получили четкое..
Метафоры в движении: машинное обучение, иллюстрированное Tidymodels
В большом театре машинного обучения алгоритмы и модели — это больше, чем просто уравнения и вычисления — это исполнители, каждый из которых имеет свой уникальный стиль, историю и значение. Пока мы готовимся поднять занавес этой серии сказок, я предлагаю вам представить эти математические сущности как живых, дышащих персонажей, богатых нюансами и повествованием. Сила метафоры С самого начала человеческой истории мы использовали метафоры, чтобы понимать, объяснять и связываться с..
Создание модели машинного обучения для прогнозирования оттока клиентов  — Группа компаний ZOC
Я попытался использовать методологию науки о данных для построения модели машинного обучения, чтобы найти способ уменьшить отток клиентов в группе компаний ZOC и, надеюсь, создать хорошую прогностическую модель на основе заданных параметров. Этапы этой методики включают в себя: Проблема подхода Требование к сбору От понимания к подготовке Моделирование для оценки Развертывание для обратной связи 1. Проблема, к которой нужно подойти Бизнес-понимание Представьте..
Как онтология Palantir Foundry выводит науку о данных на передовую
Примечание редактора. В этой записи блога архитектор перспективного развертывания Palantir Уэс Филд рассказывает, как онтология Foundry позволяет специалистам по данным связывать модели, которые они создают, с реальными решениями, которые они принимают. На современном предприятии роль специалиста по обработке и анализу данных может показаться обманчиво простой: генерировать идеи на основе данных и доводить их до лиц, принимающих решения. Этот процесс может выглядеть как поездка в..
Почему так сложно регулировать искусственный интеллект?
Искусственный интеллект - это общий термин, используемый для описания быстро развивающейся высококонкурентной технологической области. Его часто используют ошибочно, и он стал определять так много разных подходов, что даже некоторые эксперты не в состоянии точно определить, что такое искусственный интеллект. Из-за этого в быстрорастущей области ИИ сложно ориентироваться и еще сложнее правильно регулировать. Смысл регулирования должен заключаться в защите людей от физического,..