Enable javascript in your browser for better experience. Need to know to enable it? Go here.
radar blip
radar blip

用于机器学习的实验跟踪工具

Last updated : May 19, 2020
不在本期内容中
这一条目不在当前版本的技术雷达中。如果它出现在最近几期中,那么它很有可能仍然具有相关参考价值。如果这一条目出现在更早的雷达中,那么它很有可能已经不再具有相关性,我们的评估将不再适用于当下。很遗憾我们没有足够的带宽来持续评估以往的雷达内容。 了解更多
May 2020
试验 ? 值得一试。了解为何要构建这一能力是很重要的。企业应当在风险可控的前提下在项目中尝试应用此项技术。

机器学习的日常工作通常可以归结为一系列的实验,包括选择建模方法和网络拓扑,训练数据以及优化调整模型。 数据科学家必须利用经验和直觉来做出一些假设,然后去评估这些假设对模型的整体性能的影响。 随着这种实践的成熟,我们的团队发现对“用于机器学习的实验跟踪工具”的需求日益增长。 这些工具可以用于帮助研究人员跟踪实验, 从而使这些实验变得更加的有条不紊。 尽管这个领域还没有出现明确的赢家,但是已经出现了MLflow这类的工具以及诸如CometNeptune这样的平台,它们使得整个机器学习的工作流程变得更加的严谨和可重复。

Nov 2019
试验 ? 值得一试。了解为何要构建这一能力是很重要的。企业应当在风险可控的前提下在项目中尝试应用此项技术。

机器学习的日常工作通常可以归结为一系列的实验,包括选择建模方法,网络拓扑,训练数据集以及对模型的各种优化或调整。由于其中许多模型仍然难以解析或解释,因此数据科学家必须使用经验和直觉来假设一些改变,然后测量这些变化对模型整体性能的影响。随着这些模型在业务系统中使用得越来越普遍,出现了几种不同的“用于机器学习的实验跟踪工具”,以帮助研究人员有条理地进行实验,并跟踪这些实验结果。尽管该领域还没有明确的赢家出现,但是诸如MLflowWeights&Biases之类的工具,CometNeptune之类的平台,已经在整个机器学习工作流程中引入了严谨性和可重复性。除此之外,它们还促进了相互协作,将数据科学从一项单独的工作转变为一项团队协作的运动。

已发布 : Nov 20, 2019
Radar

下载第25期技术雷达

English | Español | Português | 中文

Radar

获取最新技术洞见

 

立即订阅

查看存档并阅读往期内容