MLメタデータによる優れたMLエンジニアリング | TFX | TensorFlow
MLメタデータによる優れたMLエンジニアリング コレクションでコンテンツを整理 必要に応じて、コンテンツの保存と分類を行います。 ペンギンを分類するために本番MLパイプラインを設定するシナリオを想定します。パイプラインはトレーニングデータを取り込み、モデルをトレーニングして評価し、それを本番環境にプッシュします。 ただし、後でさまざまな種類のペンギンを含むより大きなデータセットでこのモデルを使用しようとすると、モデルが期待どおりに動作せず、種の分類が正しく開始されないことがわかります。 この時点で、あなたは知ることに興味があります： 利用可能なアーティファクトが本番環境のモデルのみである場合、モデルをデバッグするための最も効率的な方法は何ですか？モデルのトレーニングに使用されたトレーニングデータセットはどれですか？この誤ったモデルにつながったトレーニングの実行はどれですか？モデルの評価結果
A Practical Guide to Tree Based Learning Algorithms | Sadanand's Notes
We also need to do some data cleanup. First, I will be removing any special characters from all columns. Furthermore, any space or “.” characters too will be removed from any str data. #replace the special character to "Unknown" for i in df_train_set.columns: df_train_set[i].replace(' ?', 'Unknown', inplace=True) df_test_set[i].replace(' ?', 'Unknown', inplace=True) for col in df_train_set.columns
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
SIGMOD Tutorial 9, Friday May 19, 9 AM
Data Management in Machine Learning: Challenges, Techniques, and Systems
Top-down learning path: Machine Learning for Software Engineers | Kaggle
GitHub - ZuzooVn/machine-learning-for-software-engineers: A complete daily plan for studying to become a machine learning engineer.
http://alex.smola.org/talks/NIPS15.pdf
