技術 Day 04-Azure介紹

在上一篇我們看到，即便我們能不寫程式就設定一些自動回覆，仍然相當麻煩，如果需要的功能更多，更無法應付因此我們還是需要寫程式，並且上傳到一個雲端伺服器，與Line...

技術 Day 19 : 深度學習(神經網絡)自動建模術 - AutoMLs

隨著 ML/DL 模型研究屢有突破，現今模型訓練成果已經相當具有水準，但如果需要藉由手動選擇最佳的模型確實較花時間，因此已經出現取多自動化機械學習 AutoM...

技術 NNI的特性及核心功能

上次開場白說明了NNI最基本的Hyper-parameters（超參）調整，其實只是其中的功能之一。NNI尚有其他的特性及核心功能。NNI的特性：NNI 是一個...

技術 什麼是AutoML

什麼是AutoML 根據 Microsoft的說法節錄如下：自動化機器學習 (亦稱為自動化 ML 或 AutoML) 是使機器學習模型開發中耗時的反覆工作自動化...

技術 Day 11 : 用於生產的機械學習 - Data Labeling 資料標註

標註資料與特徵工程是處理資料重要的步驟，目的都是為了讓模型效果最佳化，標註的一致性、特徵工程到位都對模型影響至關重要。現實生活情境的資料標註向來不是件容易的事情...

技術 Day 10 : 用於生產的機械學習 - Data Define 與建立基準

接續介紹 ML 專案生命週期，本日說明第 2 階段「資料 Data」的工作流程，依其說法分為2大步驟，分別為「定義資料及建立基準」及「標註及特徵工程」。是4個...

技術 Day 08 : ML 工程師職責與分工

資料團隊組建 當各行業意識數據帶來業務成長新動能時，追求卓越的企業意識到要充分運用企業數據，必須組建專門數據團隊，期待專業團隊具有提煉數據價值的慧眼，也期待落...

技術 Day 07 : MLOps 的挑戰與技術要求

在 Day 06 引用與介紹 3 個 MLOps 相關定義，如果 MLOps 是一種工程文化與實踐，旨在 ML 系統開發與 ML 系統操作，實際遇到的挑戰與技術...

技術 Day 06 : 什麼是 MLOps

各種商務情境都在思考如何融入 AI 提供更適切的智慧化服務，在Day 04 : 以資料為中心的人工智慧 Data-Centric AI 介紹透過關注資料為中心的...

技術 Day 05 : ML 專案生命週期

從無到有開發 ML 專案到佈署需要 6 至 12 個月不等，在尚未有具體產出的過程中，會有對內部及外部說明進展的機會，能有架構、系統的與合作對象說明是很重要...

技術 為什麼會跑來這裡寫這題目

自從犯賤跑去參加ML新手的 Kaggle ML 30days ，脫了層皮後，開始回想一些在 in-class competetion 裡的一些事情。 • 開始比...

技術 Day 03 : ML in Production 的挑戰

在 Day2 提到什麼是用於生產的機械學習 ML in Production ，今天來談用於生產的機械學習所遇到的挑戰，主要挑戰包含: 要是整合性的機械學習系...

技術 Day 02 : 用於生產的機械學習 ML in Production

ML 就像孩子一樣，孩提時百般呵護，長大時不得不面對外界的殘酷。佈署到商務情境的 ML 模型，某方面像是放飛的孩子，既期待又怕受傷害，如果沒有持續的引導、學習、...

技術 請問在 azure上有法子把 IP1強迫導至IP2嗎

如主旨，今天azure東南亞幾乎全死；有法子達成主旨的需求嗎 ?就是替身的概念，打了IP1，會自動帶至IP2~