Садржај
П:
Шта је боље, платформа или алгоритам машинског учења на АВС-у?
А:
Ових дана многе компаније интегришу решења за машинско учење у свој сет алата за аналитику да би побољшали управљање брендом, побољшали искуство корисника и повећали оперативну ефикасност. Модели машинског учења су основна компонента решења за машинско учење. Модели се обучавају користећи математичке алгоритме и велике скупове података да би се поуздано предвидјеле. Два уобичајена примера предвиђања су (1) утврђивање да ли скуп финансијских трансакција указује на превару или (2) процена осећања потрошача око производа на основу уноса прикупљеног са друштвених медија.
Амазон СагеМакер је потпуно управљана услуга која омогућава програмерима и научницима података да граде, обучавају и користе моделе машинског учења. У СагеМакер-у можете да користите алгоритме који се не налазе у кутији или да приђете сопственом путу за више прилагођено решење. Оба избора су валидна и подједнако служе као основа за успешно решење машинског учења.
(Напомена уредника: Овде можете видети друге алтернативе СагеМакер-у.)
Алгоритми СагеМакер-а који нису у кутији укључују популарне, високо оптимизоване примере за класификацију слика, обраду природног језика итд. Комплетна листа се може наћи овде.
- Предности ван кутије: Ови алгоритми су унапред оптимизовани (и стално их усавршавају). Можете брзо да се крећете, трчите и постављате.Поред тога, доступна је АВС аутоматска подешавање хипер-параметара.
- Питања ван оквира: Непрекидна побољшања која су горе поменута можда не дају резултате тако предвидљиво као да имате потпуну контролу над имплементацијом алгоритама.
Ако ови алгоритми нису прикладни за ваш пројекат, имате још три избора: (1) Амазонова библиотека Апацхе Спарк, (2) прилагођени Питхон код (који користи ТенсорФЛов или Апацхе МКСНет) или (3) „доведи своје“ где сте су у суштини неограничени, али ће требати да креирате Доцкер слику како бисте обучили и послужили свој модел (то можете учинити користећи упутства овде).
Приступ властитом приступу нуди вам потпуну слободу. Ово може бити привлачно за научнике података који су већ изградили библиотеку прилагођеног и / или власничког алгоритмичког кода који можда није представљен у тренутном сету ван оквира.
- Донесите своје предности: Омогућује потпуну контролу над целокупним цјевоводом за науку о подацима заједно са употребом власничког ИП-а.
- Предложите своја разматрања: Потребна је докеризација да би се обучио и служио резултирајући модел. Укључивање алгоритамских побољшања је ваша одговорност.
Без обзира на ваш избор алгоритма, СагеМакер на АВС је приступ који вреди размотрити, с обзиром на то колико се фокусирао на једноставност коришћења из перспективе науке о подацима. Ако сте икада покушали да преместите пројекат машинског учења из свог локалног окружења у домаћин, бићете пријатно изненађени како бешавни СагеМакер то чини. А ако кренете од нуле, већ сте неколико корака ближе своме циљу, имајући у виду колико вам је већ при руци.