最近更新

  • AWS自动化机器学习-十一、MLSDLC 的持续集成、部署和训练 技术要求，编纂持续集成阶段，管理持续部署阶段，管理持续训练，延伸，构建集成工件，构建测试工件，构建生产工件，自动化持续集成流程，回顾构建阶段，回顾测试阶段，审查部署和维护阶段，回顾应用用户体验，创建新的鲍鱼调查数据，回顾持续训练流程，清
    Apache CN

    机器学习

  • AWS自动化机器学习-六、使用 AWS 步骤函数自动化机器学习过程 技术要求，介绍 AWS 步骤功能，使用 Step 函数 Data Science SDK for CI/CD，建立 CI/CD 渠道资源，创建状态机，解决状态机的复杂性，更新开发环境，创建管道工件库，构建管道应用构件，部署 CI/CD
    Apache CN

    机器学习

  • AWS自动化机器学习-第三部分：优化以源代码为中心的自动化机器学习方法 本节将向您介绍整体 CI/CD 流程的局限性，以及如何将 ML 从业者的角色进一步整合到管道构建流程中。本节还将介绍这种角色集成如何简化自动化过程，并通过向您介绍 AWS Step 函数向您展示一种优化的方法。本节包括以下章节:
    Apache CN

    机器学习

  • AWS自动化机器学习-一、AWS 上的自动化机器学习入门 技术要求，洗钱流程概述，洗钱过程的复杂性，端到端 ML 流程示例，AWS 如何使 ML 开发和部署过程更容易自动化，介绍 ACME 渔业物流，ML 的情况，从数据中获得洞察力，建立正确的模型，训练模型，评估训练好的模型，探索可能的后续步
    Apache CN

    机器学习

  • AWS自动化机器学习-二、使用 SageMaker 自动驾驶器自动化机器学习模型开发 技术要求，介绍 AWS AI 和 ML 前景，SageMaker 自动驾驶器概述，利用 SageMaker 自动驾驶器克服自动化挑战，使用 SageMaker SDK 自动化 ML 实验，SageMaker Studio 入门，准备实验
    Apache CN

    机器学习

  • AWS自动化机器学习-四、机器学习的持续集成和持续交（CI/CD） 四、机器学习的持续集成和持续交CI/CD技术要求，介绍 CI/CD 方法，通过 CI/CD 实现 ML 自动化，在 AWS 上创建 CI/CD 管道，介绍 CI/CD 的 CI 部分，介绍 CI/CD 的 CD 部分，结束循环，采取以部
    Apache CN

    机器学习

  • AWS自动化机器学习-九、使用 Amazon Managed Workflows 为 Apache AirFlow 构建 ML 工作流 技术要求，开发以数据为中心的工作流程，创建合成鲍鱼调查数据，执行以数据为中心的工作流程，构建和单元测试数据 ETL 工件，构建气流 DAG，清理， 在前面的年龄计算器示例中，我们了解了如何通过 ML 从业者和开发人员团队之间的跨职能
    Apache CN

    机器学习

  • AWS自动化机器学习-七、使用 AWS 步骤函数构建 ML 工作流 技术要求，构建状态机工作流，执行集成测试，监控管道进度，设置服务权限，创建 ML 工作流程， 在本章中，我们将从第六章中的 [处继续，使用 AWS 步骤函数自动化机器学习过程。您将从那一章中回忆起，我们正在努力实现的主要目标是简化
    Apache CN

    机器学习

  • AWS自动化机器学习-八、使用 Apache Airflow 实现机器学习过程的自动化 技术要求，介绍阿帕奇气流，介绍亚马逊 MWAA，利用气流处理鲍鱼数据集，配置 MWAA 系统的先决条件，配置 MWAA 环境， 当建立一个 ML 模型时，有一个所有 ML 从业者都知道的基本原则；也就是说，最大似然模型只有在数据被训练时
    Apache CN

    机器学习

  • AWS自动化机器学习-五、自动化 ML 模型的持续部署 技术要求，部署 CI/CD 管道，构建 ML 模型工件，执行自动化 ML 模型部署，整理管道结构，创建 CDK 应用，部署管道应用，查看建模文件，审查申请文件，查看模型服务文件，查看容器构建文件，提交 ML 工件，清理， 在 [第 4
    Apache CN

    机器学习

  • AWS自动化机器学习-零、前言 这本书是给谁的，这本书涵盖了什么，为了充分利用这本书，下载示例代码文件，下载彩色图片，使用的惯例，取得联系，AWS 提供了广泛的解决方案来帮助自动化一个机器学习 ( ML )工作流，只需要几行代码。通过这本实用的书，您将
    Apache CN

    机器学习

  • AWS自动化机器学习-第五部分：自动化 AWS 上的端到端生产应用 本节将通过 ACME Fishing Logistics 示例向您介绍机器学习软件开发生命周期(MLSDLC) 以及如何植入端到端流程。本节包含了在前面几部分中学到的各种技术，并展示了它们如何适用于 MLSDLC。本部分的各个
    Apache CN

    机器学习

  • AWS自动化机器学习-三、使用 AutoGluon 技术自动化复杂的模型开发 技术要求，介绍自动增长库，对表格数据使用自动生成，对图像数据使用自动摄影，先决条件，用 AutoGluon 创建 AutoML 实验，评估实验结果，先决条件，创建图像预测实验，评估实验结果，配置服务权限，构建深度学习容器， 在 [第
    Apache CN

    机器学习

  • AWS自动化机器学习-十、机器学习软件开发生命周期（MLSDLC）简介 十、机器学习软件开发生命周期MLSDLC简介技术要求，mls DLC 简介，构建应用平台，检查 ML 和数据工程角色，了解安全镜头，检查应用所有者的角色，审视平台工程师的角色，检查前端开发人员的角色，创建 SageMaker 特色商店，
    Apache CN

    机器学习

  • AWS自动化机器学习-第二部分：通过持续集成和持续交付（CI/CD）实现机器学习过程的自动化 第二部分：通过持续集成和持续交付CI/CD实现机器学习过程的自动化 本节将向您介绍 CI/CD 的概念，以及如何通过结合 DevOps 和 MLOps 方法将它们应用于 ML 流程。我们将展示各种 AWS 服务，这些服务可用于为 ML
    Apache CN

    机器学习

  • AWS自动化机器学习-第四部分：优化以数据为中心的自动化机器学习方法 本节向您介绍什么是以数据为中心的 ML 过程，它与以代码为中心的方法有何不同，以及这种方法通常使用的服务，即 Apache Airflow 和 Amazon Managed Workflows for Apache air flow。
    Apache CN

    机器学习

  • AWS自动化机器学习-第一部分：自动机器学习过程和 AWS 上的 AutoML 的基础知识 本节将向您介绍机器学习过程的复杂性，AutoML 是什么，以及如何使用它来简化该过程。本节包括以下章节:[第一章] B17649_01_ePub.xhtml_idTextAnchor015[第二章]
    Apache CN

    机器学习

  • AutoKeras自动化机器学习-一、自动化机器学习简介 标准 ML 工作流程的剖析，什么是 AutoML？，汽车的类型，延伸，数据摄取，数据预处理，模型部署，模型监控，与标准方法的差异，自动化特征工程，自动模型选择和超参数优化，自动神经网络架构选择，模型选择，模特训练，模型评估，模型调整，为
    Apache CN

    机器学习

  • AutoKeras自动化机器学习-十、导出并可视化模型 技术要求，导出您的模型，使用 TensorBoard 可视化您的模型，使用 ClearML 可视化和比较您的模型，如何保存和加载模型，使用回调来记录模型状态，设置和加载张量板，与 TensorBoard.dev 分享您的 ML 实验结果
    Apache CN

    机器学习

  • AutoKeras自动化机器学习-五、使用 AutoKeras 的文本分类和回归 技术要求，处理文本数据，了解 RNNs，一维细胞神经网络(Conv1D)，创建垃圾邮件检测器，预测社交媒体中的新闻流行度，标记化，矢量化，创建垃圾邮件预测器，评估模型，可视化模型，创建文本回归器，评估模型，可视化模型，提高模型性能，用测
    Apache CN

    机器学习

  • AutoKeras自动化机器学习-八、使用 AutoKeras 的主题分类 技术要求，了解话题分类，创建新闻主题分类器，定制模型搜索空间，创建分类器，评估模型，可视化模型，评估模型， 有时，我们需要通过分配标签或主题，将一些特定的文本(如产品或电影评论)归类到一个或多个类别中。主题分类是一种有监督的机器学习技术
    Apache CN

    机器学习

  • AutoKeras自动化机器学习-二、AutoKeras 入门 技术要求，什么是深度学习？，什么是神经网络，它是如何学习的？，深度学习模型如何学习？，为什么是自动贩卖机？，安装 AutoKeras，你好，MNIST:实现我们的第一个 AutoKeras 实验，如何运行 AutoKeras 实验？，在
    Apache CN

    机器学习

  • AutoKeras自动化机器学习-零、前言 这本书是给谁的，这本书涵盖了什么，为了充分利用这本书，下载示例代码文件，下载彩色图片，使用的惯例，取得联系，评论， 深度学习能让所有人都能接触到吗？毫无疑问，这是谷歌或亚马逊等巨头提供的云服务试图实现的目标。Google AutoML
    Apache CN

    机器学习

  • AutoKeras自动化机器学习-三、使用 AutoKeras 自动化机器学习流水线 理解张量，为深度学习模型准备数据，以多种格式将数据加载到 AutoKeras 中，分割数据集用于训练和评估，什么是张量？，张量的类型，神经网络模型的数据预处理操作，为什么应该分割数据集，如何分割数据集， 机器学习流水线的自动化涉及到一系
    Apache CN

    机器学习

  • AutoKeras自动化机器学习-第三部分：高级 AutoKeras 在本节中，您将了解一些 AutoKeras 高级概念，包括使用多模态数据和多任务、使用 AutoModel 定制模型、导出/部署模型以及使用 AutoKeras 扩展。本节包括以下章节:[第九章] B16953_09
    Apache CN

    机器学习

  • AutoKeras自动化机器学习-第一部分：自动化基础知识 本节是对自动化机器学习的高级介绍，解释了开始使用这种机器学习方法所需的所有概念。本节包括以下章节:[第一章] B16953_01_Final_PG_ePub.xhtml_idTextAnchor014[
    Apache CN

    机器学习

  • AutoKeras自动化机器学习-第二部分：AutoKeras 实战 本节集中讨论了书中提供的许多代码示例，为您提供了关于如何使用 AutoKeras 的自动化深度学习解决现实生活中的问题的实用见解。本节包括以下章节:[第四章] B16953_04_Final_PG_ePub.xhtm
    Apache CN

    机器学习

  • AutoKeras自动化机器学习-七、使用 AutoKeras 的情感分析 技术要求，创建情感分析器，创建情感预测器，评估模型，可视化模型，分析具体句子中的情感， 我们先来定义一下题目中不常见的术语。情感分析是一个在文本分类中广泛使用的术语，它基本上是关于使用自然语言处理 ( NLP )
    Apache CN

    机器学习

  • AutoKeras自动化机器学习-四、使用 AutoKeras 的图像分类和回归 技术要求，创建 CIFAR10 图像分类器，创建和微调强大的图像分类器，创建一个图像回归器来找出人的年龄，创建和微调强大的图像回归器，超越经典神经网络，提高模型性能，用测试集评估模型，可视化模型，提高模型性能，用测试集评估模型，可视化模
    Apache CN

    机器学习

  • AutoKeras自动化机器学习-九、处理多模态和多任务数据 技术要求，探索具有多个输入或输出的模型，创建多任务/多模态模型，定制搜索空间，什么是自动模型？，什么是多模态？，什么是多任务处理？，创建模型，可视化模型，基本示例，高级示例， 在本章中，我们将学习如何使用 AutoModel API 来
    Apache CN

    机器学习

  • AutoKeras自动化机器学习-六、使用 AutoKeras 处理结构化数据 技术要求，了解结构化数据，使用结构化数据，创建结构化数据分类器来预测泰坦尼克号幸存者，创建结构化数据回归器来预测波士顿房价，创建分类器，评估模型，可视化模型，创建结构数据回归器，评估模型，可视化模型， 在本章中，我们将重点介绍如何使用
    Apache CN

    机器学习

  • AWS自动化机器学习-三、使用 AutoGluon 技术自动化复杂的模型开发 技术要求，介绍自动增长库，对表格数据使用自动生成，对图像数据使用自动摄影，先决条件，用 AutoGluon 创建 AutoML 实验，评估实验结果，先决条件，创建图像预测实验，评估实验结果，配置服务权限，构建深度学习容器， 在 [第
    Apache CN

    机器学习

  • AWS自动化机器学习-十、机器学习软件开发生命周期（MLSDLC）简介 十、机器学习软件开发生命周期MLSDLC简介技术要求，mls DLC 简介，构建应用平台，检查 ML 和数据工程角色，了解安全镜头，检查应用所有者的角色，审视平台工程师的角色，检查前端开发人员的角色，创建 SageMaker 特色商店，
    Apache CN

    机器学习

  • AWS自动化机器学习-七、使用 AWS 步骤函数构建 ML 工作流 技术要求，构建状态机工作流，执行集成测试，监控管道进度，设置服务权限，创建 ML 工作流程， 在本章中，我们将从第六章中的 [处继续，使用 AWS 步骤函数自动化机器学习过程。您将从那一章中回忆起，我们正在努力实现的主要目标是简化
    Apache CN

    机器学习

  • AWS自动化机器学习-零、前言 这本书是给谁的，这本书涵盖了什么，为了充分利用这本书，下载示例代码文件，下载彩色图片，使用的惯例，取得联系，AWS 提供了广泛的解决方案来帮助自动化一个机器学习 ( ML )工作流，只需要几行代码。通过这本实用的书，您将
    Apache CN

    机器学习

  • AWS自动化机器学习-五、自动化 ML 模型的持续部署 技术要求，部署 CI/CD 管道，构建 ML 模型工件，执行自动化 ML 模型部署，整理管道结构，创建 CDK 应用，部署管道应用，查看建模文件，审查申请文件，查看模型服务文件，查看容器构建文件，提交 ML 工件，清理， 在 [第 4
    Apache CN

    机器学习

  • AWS自动化机器学习-第四部分：优化以数据为中心的自动化机器学习方法 本节向您介绍什么是以数据为中心的 ML 过程，它与以代码为中心的方法有何不同，以及这种方法通常使用的服务，即 Apache Airflow 和 Amazon Managed Workflows for Apache air flow。
    Apache CN

    机器学习

  • AWS自动化机器学习-第一部分：自动机器学习过程和 AWS 上的 AutoML 的基础知识 本节将向您介绍机器学习过程的复杂性，AutoML 是什么，以及如何使用它来简化该过程。本节包括以下章节:[第一章] B17649_01_ePub.xhtml_idTextAnchor015[第二章]
    Apache CN

    机器学习

  • AWS自动化机器学习-第五部分：自动化 AWS 上的端到端生产应用 本节将通过 ACME Fishing Logistics 示例向您介绍机器学习软件开发生命周期(MLSDLC) 以及如何植入端到端流程。本节包含了在前面几部分中学到的各种技术，并展示了它们如何适用于 MLSDLC。本部分的各个
    Apache CN

    机器学习

  • AWS自动化机器学习-第二部分：通过持续集成和持续交付（CI/CD）实现机器学习过程的自动化 第二部分：通过持续集成和持续交付CI/CD实现机器学习过程的自动化 本节将向您介绍 CI/CD 的概念，以及如何通过结合 DevOps 和 MLOps 方法将它们应用于 ML 流程。我们将展示各种 AWS 服务，这些服务可用于为 ML
    Apache CN

    机器学习

  • AWS自动化机器学习-九、使用 Amazon Managed Workflows 为 Apache AirFlow 构建 ML 工作流 技术要求，开发以数据为中心的工作流程，创建合成鲍鱼调查数据，执行以数据为中心的工作流程，构建和单元测试数据 ETL 工件，构建气流 DAG，清理， 在前面的年龄计算器示例中，我们了解了如何通过 ML 从业者和开发人员团队之间的跨职能
    Apache CN

    机器学习

  • AWS自动化机器学习-二、使用 SageMaker 自动驾驶器自动化机器学习模型开发 技术要求，介绍 AWS AI 和 ML 前景，SageMaker 自动驾驶器概述，利用 SageMaker 自动驾驶器克服自动化挑战，使用 SageMaker SDK 自动化 ML 实验，SageMaker Studio 入门，准备实验
    Apache CN

    机器学习

  • AWS自动化机器学习-四、机器学习的持续集成和持续交（CI/CD） 四、机器学习的持续集成和持续交CI/CD技术要求，介绍 CI/CD 方法，通过 CI/CD 实现 ML 自动化，在 AWS 上创建 CI/CD 管道，介绍 CI/CD 的 CI 部分，介绍 CI/CD 的 CD 部分，结束循环，采取以部
    Apache CN

    机器学习

  • AWS自动化机器学习-八、使用 Apache Airflow 实现机器学习过程的自动化 技术要求，介绍阿帕奇气流，介绍亚马逊 MWAA，利用气流处理鲍鱼数据集，配置 MWAA 系统的先决条件，配置 MWAA 环境， 当建立一个 ML 模型时，有一个所有 ML 从业者都知道的基本原则；也就是说，最大似然模型只有在数据被训练时
    Apache CN

    机器学习

  • AWS自动化机器学习-一、AWS 上的自动化机器学习入门 技术要求，洗钱流程概述，洗钱过程的复杂性，端到端 ML 流程示例，AWS 如何使 ML 开发和部署过程更容易自动化，介绍 ACME 渔业物流，ML 的情况，从数据中获得洞察力，建立正确的模型，训练模型，评估训练好的模型，探索可能的后续步
    Apache CN

    机器学习

  • AWS自动化机器学习-十一、MLSDLC 的持续集成、部署和训练 技术要求，编纂持续集成阶段，管理持续部署阶段，管理持续训练，延伸，构建集成工件，构建测试工件，构建生产工件，自动化持续集成流程，回顾构建阶段，回顾测试阶段，审查部署和维护阶段，回顾应用用户体验，创建新的鲍鱼调查数据，回顾持续训练流程，清
    Apache CN

    机器学习

  • AWS自动化机器学习-六、使用 AWS 步骤函数自动化机器学习过程 技术要求，介绍 AWS 步骤功能，使用 Step 函数 Data Science SDK for CI/CD，建立 CI/CD 渠道资源，创建状态机，解决状态机的复杂性，更新开发环境，创建管道工件库，构建管道应用构件，部署 CI/CD
    Apache CN

    机器学习

  • AWS自动化机器学习-第三部分：优化以源代码为中心的自动化机器学习方法 本节将向您介绍整体 CI/CD 流程的局限性，以及如何将 ML 从业者的角色进一步整合到管道构建流程中。本节还将介绍这种角色集成如何简化自动化过程，并通过向您介绍 AWS Step 函数向您展示一种优化的方法。本节包括以下章节:
    Apache CN

    机器学习

  • 微软Azure自动化机器学习-一、AutoML 简介 解释数据科学的投资回报问题，分析人工智能项目失败缓慢的原因，用 AutoML 解决投资回报率问题，定义机器学习、数据科学和人工智能，机器学习与传统软件，机器学习成功的五个步骤，把所有这些放在一起，理解业务问题，收集和清理数据，为机器学习
    Apache CN

    机器学习

  • 微软Azure自动化机器学习-十、创建端到端的 AutoML 解决方案 技术要求，将 AMLS 与民主同盟军连接起来，在 ADF 中调度机器学习管道，使用 ADF 传输数据，自动化端到端评分解决方案，自动化端到端训练解决方案，创建 ADF，创建服务主体并授予访问权限，创建连接 ADF 和 AMLS 的链接服
    Apache CN

    机器学习