Alat untuk Pesaing dalam Kompetisi Pembelajaran Mesin

Kompetisi pembelajaran mesin adalah fenomena yang relatif baru.

Itu muncul sebagai hasil dari perkembangan teknologi kecerdasan buatan.

Saat ini secara aktif berkembang dan menarik banyak orang yang tertarik.

Manfaat bagi penyelenggara kompetisi:

• Sejumlah besar orang yang memenuhi syarat yang mengerjakan tugas mereka dan mencoba menyelesaikannya dengan lebih baik daripada yang lain
• Biaya keuangan yang relatif kecil (dibandingkan dengan mempekerjakan spesialis)
• Solusi untuk masalah tersebut, kualitas tertinggi dan paling cocok untuk itu

Dan para pesaing juga mendapat keuntungan:

• Pengakuan publik atas kualifikasi tinggi
• Hadiah uang tunai
• Dan kesenangan berpartisipasi dan menang

Dalam artikel ini, saya ingin mempertimbangkan beberapa alat yang dapat membantu peserta mengatur proses dengan lebih baik dan lebih efisien, meningkatkan kemungkinan menang, dan, secara umum, menjadi spesialis yang lebih berkualitas.

Ayo mulai!

Ditentukan

Sebuah platform untuk melatih model pembelajaran yang mendalam.

• Pelatihan model yang dipercepat menggunakan pelatihan terdistribusi yang canggih, tanpa mengubah kode model
• Pencarian otomatis untuk model berkualitas tinggi, dengan pengaturan hyper-parameter lanjutan - dari pencipta Hyperband
• Menjadwalkan GPU Anda dengan cerdas dan mengurangi biaya GPU cloud dengan instance preemptive
• , , , -
• DL-
• ,

Compose

.

• ,
• Featurepools
• EvalML

Featuretools

.

EvalML

AutoML , .

• Featuretools Compose end-to-end ML-

Pandas Profiling

DataFrame Pandas.

• df.describe() — df.profile_report()
• HTML-
• :
• : , ,
• : , Q1, , Q3, , ,
• : , , , , , , ,
• : ,
• : ,
• : ( , ), (, ) (ASCII)
• : , , , EXIF

Tpot

, .

• , ,
• Python
• Scikit-learn

Shap

- ML-.

Feature-engine

ML-.

• ,
• , , , , ,

Lale

-.

• ,
• —
• — JSON -
• —

Biome

.

• — , ; ; ;
• — , ; (, , , , , ), (PDF, Word, Excel, HTML, E-mail ); , ; , ,
• — , ;

DataSketch

.

PyTextRank

.

• ( , )
• ( )

Joblib

.

• —
• Pickle ,

Shampoo

.

• ,
• , ,

Michelangelo

Uber.

• API

Hasty.ai

.

Cortex

.

• API

Weights & Biases

.

• -
• —
• -
• —
• —

SpeedRun

ML-.

• Weights & Biases
• - Weights & Biases
• ,
• matplotlib

Great Expectations

— , .

Keras Tuner

-.

NanoEdge AI Studio

AI-, MCU C .

• MCU C
• Arm Cortex-M
• (1-20kB RAM/Flash)
• (1-20ms M4 80MHz)
• AI
• C
• , MCU
• ML

LabelBox

End-to-end .

• API (Python, GraphQL) SDK
• : ,
• : , 30 FPS ,
• : , ,
• API

LabelML

ML- .

• (2 )
• , -s, -
• Tensorboard
• API

PyCaret

Low-code ML-.

• —
• -
• ( 60 )
• ( , , , - )

CometML

• , ,
• — , -, , , ,
• — , ,

ClearML

ML- (MLOps).

• ,
• — , , , , ,
• GPU/CPU ,
• — ; ; ,

, , ,

.

Tentu saja, mendeskripsikan alat saja tidak cukup untuk selalu menang.

Keberhasilan bergantung pada banyak faktor lain - mengetahui di mana dan kapan menggunakan alat tertentu atau tidak, apa saja batasannya, bagaimana alat tersebut dapat digabungkan, dll. dll.

Semoga artikel ini bermanfaat bagi Anda dan partisipasi Anda dalam kompetisi menjadi lebih bermanfaat dan efektif.

Maju menuju kemenangan!