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
Not on the current edition
This blip is not on the current edition of the Radar. If it was on one of the last few editions it is likely that it is still relevant. If the blip is older it might no longer be relevant and our assessment might be different today. Unfortunately, we simply don't have the bandwidth to continuously review blips from previous editions of the Radar Understand more
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