iT邦幫忙

machine learning相關文章
共有 744 則文章
鐵人賽 AI/ ML & Data

技術 從「這次不會壞吧」到自動化的未來:22 為什麼需要資料管理工具?DagsHub 與 DVC 怎麼選?

為什麼需要資料管理工具 隨著開發過程持續推進,通常會產生大量版本的程式碼,並需要使用版本控制工具追蹤這些程式碼,以利後續維護。除了程式碼,訓練資料也需要進行版本...

鐵人賽 AI/ ML & Data

技術 從「這次不會壞吧」到自動化的未來:21 CNN 模型訓練 MLDM + MLDE

今天我們會使用 MLDM + MLDE 來進行貓狗圖片分類的卷積神經網路(Convolutional Neural Network,CNN)模型訓練,並進行以下...

鐵人賽 AI/ ML & Data

技術 從「這次不會壞吧」到自動化的未來:20 從前處理到模型訓練,都在版控環境中?

過去在 DL 模型的開發過程中,要追蹤大量的資料和實驗結果可能需要結合多項工具,形成較高的學習成本;針對這些問題,HPE 推出 MLDM、MLDE 作為解決方案...

鐵人賽 AI/ ML & Data

技術 從「這次不會壞吧」到自動化的未來:19 所以模型版本控制工具怎麼選?

這幾天的文章主要分享三個頗受好評的模型實驗管理工具,市面上還有很多類似的工具,這些工具各有特色與強項,團隊可視情況選擇好維護的工具。 這些工具的目的都是在幫助團...

鐵人賽 AI/ ML & Data

技術 從「這次不會壞吧」到自動化的未來:18 模型版本控制 - MLflow

相較於 Tensorboard 與 Weight&Biases,MLflow 更著重於「公司內部的多人專案」的實驗管理上,主要讓工程師自己建立屬於公司內...

鐵人賽 AI/ ML & Data

技術 從「這次不會壞吧」到自動化的未來:17 模型版本控制 - Weight&Biases

大致功能與 Tensorboard 相同,但是整合了更多的深度學習(Llamaindex、Langchain、HuggingFace…)與機器學習(Sciki...

鐵人賽 AI/ ML & Data

技術 從「這次不會壞吧」到自動化的未來:16 模型版本控制 - Tensorboard

Tensorboard 算是深度學習早期最著名的實驗管理工具,至今依然十分熱門,它主打幾個功能: 視覺化的方式呈現模型訓練的Loss曲線和評估指標 視覺化的方...

鐵人賽 AI/ ML & Data

技術 從「這次不會壞吧」到自動化的未來:15 建模前,要思考的事

我們知道在做模型建立、模型驗證的時候需要思考以下幾個問題: 多人協作如何紀錄分析每位協作者的實驗紀錄,如何從眾多的實驗紀錄中快速比較出預測效果最好的模型? 當...

鐵人賽 AI/ ML & Data

技術 從「這次不會壞吧」到自動化的未來:13 以 HPE MLDM 實作 MLOps 資料版本控制 - 1

今天的文章將接續昨天的內容,說明具體來說,如何透過 HPE MLDM 讓資料前處理工作自動化,以及使用內建的版控功能,管理大量資料與前處理程式。 實作 接著我們...

鐵人賽 AI/ ML & Data

技術 從「這次不會壞吧」到自動化的未來:12 為什麼我們需要資料版本控制?

為什麼我們需要資料版本控制? 在開發過程中,隨著時間的推移,團隊常常因為模型效能或其他考量,不斷更新訓練資料,最後累積出大量版本。想像一個情境:在增加一些訓練資...

鐵人賽 Python DAY 30
Python 錦囊密技 系列 第 30

技術 【Python錦囊㊙️技30】程式設計師要懂數學與統計嗎?

最近看到一些文章討論【Math. for programmers】,談到程式設計師要具備的數學素養,尤其是AI盛行後,許多數學與統計學科開始影響我們,例如下圖:...

鐵人賽 Python DAY 16

技術 [Day15] Python專案實踐周,學習心態的內外武功!? 跟學習目標(六大應用場景)

前言 hi~各位恭喜脫離了痛苦的前兩周 相信跟者學習的你,一定也有所收穫今天我會選標題這六大主題(excel處理、爬蟲、Powerbi整合、網頁應用程式、自動化...

鐵人賽 AI/ ML & Data DAY 10

技術 從「這次不會壞吧」到自動化的未來:11 為什麼我們需要資料版本控制?

在開發過程中,隨著時間的推移,團隊常常因為模型效能或其他考量,不斷更新訓練資料,最後累積出大量版本。想像一個情境:在增加一些訓練資料後,模型就訓練不起來了,這時...

鐵人賽 AI/ ML & Data DAY 10

技術 從「這次不會壞吧」到自動化的未來:10 MLOps 系統功能設計 - 部署篇

部署時會用到的功能設計 部署時的功能主要就是要將模型推論的功能建立成 API 讓使用者或其他服務可以調用,這個部分與一般的 API 開發基本相同,開發團隊可以使...

鐵人賽 AI/ ML & Data DAY 9

技術 從「這次不會壞吧」到自動化的未來:09 MLOps 系統功能設計 - 自動化篇

自動化時會用到的功能設計 在完成一個模型後,也可以選擇是否要加入自動化利用新資料定期更新的功能,如果當前的專案還不需要這項功能,想要直接將模型部署上線,那麼就可...

鐵人賽 AI/ ML & Data DAY 8

技術 從「這次不會壞吧」到自動化的未來:08 MLOps 系統功能設計 - 開發篇

在昨天的文章中,描述了機器學習開發專案的流程,大致可分成三個部分: 從資料處理到模型驗證的「開發」 將開發模型訓練做排程處理的「自動化」 將模型上線使用的「部...

鐵人賽 AI/ ML & Data DAY 7

技術 從「這次不會壞吧」到自動化的未來:07 套件的選擇

其實,選擇套件並不是一件困難的事,無非就是根據需求、經費等因素考量後,按圖索驥選出適合團隊的工具而已。以下將簡單列舉挑選特定套件的原因,讀者可以根據團隊需求自由...

鐵人賽 AI/ ML & Data DAY 6

技術 從「這次不會壞吧」到自動化的未來:06 MLOps 系統的基本功能需求

在設計 MLOps 系統時,主要會以開發團隊目前的機器學習專案開發流程為基礎,並以此設計系統。下圖是一般常見的模型開發流程,可以看到在取得原始資料後,會先做不同...

鐵人賽 AI/ ML & Data DAY 4

技術 從「這次不會壞吧」到自動化的未來:04 導入 MLOps 的兩種場景

以昨天討論的內容為例,我們可以讓每個流程都變成自動化。以下分成兩種場景來說明有哪些部分可以利用 MLOps 的工具讓流程更快速便捷,場景為實驗階段及佈署階段:...

鐵人賽 AI/ ML & Data DAY 3

技術 從「這次不會壞吧」到自動化的未來:03 機器學習(ML)開發流程介紹

如上圖所示,在選定一個適合以 AI 解決的題目後,我們會進行資料的前處理與模型開發。當模型完成開發後,則會進行驗證,如果模型通過驗收可上線的標準,就會進行佈署...

鐵人賽 Python DAY 3

技術 chatgpt是時間管理大師?一個月學會Python!?

一個月學會Python? chatgpt是這樣跟我說的XD 以下是 ChatGPT 為此次比賽制定的時間規劃與內容安排: 主題選擇: 先確定您要撰寫的...

鐵人賽 AI/ ML & Data DAY 2

技術 從「這次不會壞吧」到自動化的未來:02 MLOps 定義

MLOps 是 ML (Machine Learning,機器學習) 加上 DevOps 的概念;DevOps 又是由 Development (開發) 加上...

鐵人賽 Python DAY 2

技術 一個指令!讓chatgpt一起來參賽吧!

跟著步驟走,你的chatgpt也可以一起參賽! 1.請chatgpt扮演角色: 科技專家+專欄作家+比賽評審 角色定位: 科技專家:我會根據當前的 IT...

鐵人賽 生成式 AI DAY 18

技術 day18 Diagram as Code 創建RAG資料庫計畫:製作給予GenAI的教科書

前言 day16、17我們快速的介紹Diagram as Code函式庫的API,並且介紹常見的幾個元件以及可以客製化的屬性,現在我們打算將此函式庫的API以及...

鐵人賽 AI/ ML & Data DAY 1

技術 從「這次不會壞吧」到自動化的未來:01 緣起

隨著 AI 和機器學習技術的快速發展,企業面臨的挑戰不僅僅是開發出高效的模型,還包括如何快速、安全地將這些模型部署到生產環境中並持續監控和優化。這正是 MLOp...

鐵人賽 AI/ ML & Data DAY 1

技術 [Day 1] 系列文介紹和規劃大綱

前言 兩年前我也曾經參加過 iThome 舉辦的鐵人賽(當時的系列文:那些在科技公司和 app 背後的資料科學),當時的我才剛畢業,甫入職場,對機器學習專案的想...

鐵人賽 AI/ ML & Data DAY 1

技術 Day 1 - 揭開 AI 的真相

前言 人工智慧 (AI) 是當前科技界的熱門話題,但許多人對它的理解還存在著廣泛的誤區和模糊認知。以我的工作經驗為例,我常發現市調研究報告顯示 AI 產品的年複...

鐵人賽 影片教學 DAY 1

技術 Day01 - (基礎篇) 開賽,機器學習是幹啥的?

參考資料 : PDF投影片及程式碼 : 2024_iThome_DNN_Security