מחפש תובנות כיצד ניתן ליישם TFX כדי לבנות פתרון העונה על הצרכים שלך? מאמרים ומדריכים מעמיקים אלה עשויים לעזור!
ארכיטקטורה של מערכת למידת מכונה להתאמת פריטים כמעט בזמן אמת
השתמש במסמך זה כדי ללמוד על הארכיטקטורה של פתרון למידת מכונה (ML) שלומד ומשרת הטמעות פריטים. הטבעות יכולות לעזור לך להבין אילו פריטים הלקוחות שלך מחשיבים כדומים, מה שמאפשר לך להציע בזמן אמת הצעות "פריטים דומים" באפליקציה שלך. פתרון זה מראה לך כיצד לזהות שירים דומים במערך נתונים, ולאחר מכן להשתמש במידע זה כדי להמליץ על שירים. קרא עוד
עיבוד מקדים של נתונים ללמידת מכונה: אפשרויות והמלצות
מאמר זה בן שני חלקים בוחן את הנושא של הנדסת נתונים והנדסת תכונות ללמידת מכונה (ML). חלק ראשון זה דן בשיטות עבודה מומלצות של עיבוד מוקדם של נתונים בצינור למידת מכונה ב-Google Cloud. המאמר מתמקד בשימוש ב- TensorFlow ובספריית הקוד הפתוח TensorFlow Transform (tf.Transform) כדי להכין נתונים, לאמן את המודל ולהגיש את המודל לחיזוי. חלק זה מדגיש את האתגרים של עיבוד מוקדם של נתונים עבור למידת מכונה, וממחיש את האפשרויות והתרחישים לביצוע טרנספורמציה של נתונים ב-Google Cloud ביעילות. חלק 1 חלק 2
ארכיטקטורה עבור MLOps באמצעות TFX, Kubeflow Pipelines ו-Cloud Build
מסמך זה מתאר את הארכיטקטורה הכוללת של מערכת למידת מכונה (ML) המשתמשת בספריות TensorFlow Extended (TFX). זה גם דן כיצד להגדיר אינטגרציה מתמשכת (CI), אספקה מתמשכת (CD) והדרכה מתמשכת (CT) עבור מערכת ה-ML באמצעות Cloud Build ו-Kubeflow Pipelines. קרא עוד
MLOps: צינורות אספקה ואוטומציה מתמשכים בלמידת מכונה
מסמך זה דן בטכניקות להטמעה ואוטומציה של אינטגרציה מתמשכת (CI), אספקה מתמשכת (CD) והדרכה מתמשכת (CT) למערכות למידת מכונה (ML). מדעי הנתונים ו-ML הופכים ליכולות ליבה לפתרון בעיות מורכבות בעולם האמיתי, שינוי תעשיות ומתן ערך בכל התחומים. קרא עוד
הגדרת סביבת MLOps ב-Google Cloud
מדריך עזר זה מתאר את הארכיטקטורה של סביבת פעולות למידת מכונה (MLOps) ב-Google Cloud. המדריך מלווה מעבדות מעשית ב-GitHub שמובילות אותך בתהליך ההקצאה וההגדרה של הסביבה המתוארת כאן. כמעט כל התעשיות מאמצות למידת מכונה (ML) בקצב מואץ במהירות. אתגר מרכזי להשגת ערך מ-ML הוא ליצור דרכים לפרוס ולתפעל מערכות ML בצורה יעילה. מדריך זה מיועד למהנדסי למידת מכונה (ML) ו-DevOps. קרא עוד
דרישות עיקריות לקרן MLOps
ארגונים מונעי בינה מלאכותית משתמשים בנתונים ולמידת מכונה כדי לפתור את הבעיות הקשות ביותר שלהם וקצרים את הפירות.
"חברות שיספגו בינה מלאכותית בתזרימי העבודה המייצרים את הערך שלהן עד 2025 ישלטו בכלכלה העולמית של 2030 עם צמיחה של +120% בתזרים המזומנים", לפי McKinsey Global Institute.
אבל זה לא קל כרגע. למערכות למידת מכונה (ML) יש יכולת מיוחדת ליצור חוב טכני אם לא מנוהלות היטב. קרא עוד
כיצד ליצור ולפרוס כרטיס דגם בענן עם Scikit-Learn
מודלים של למידת מכונה משמשים כעת לביצוע משימות מאתגרות רבות. עם הפוטנציאל העצום שלהם, מודלים של ML מעלים גם שאלות לגבי השימוש, הבנייה והמגבלות שלהם. תיעוד התשובות לשאלות אלו עוזר להביא בהירות והבנה משותפת. כדי לעזור לקדם את המטרות הללו, גוגל הציגה כרטיסי מודל. קרא עוד
ניתוח ואימות נתונים בקנה מידה עבור למידת מכונה עם TensorFlow Data Validation
מסמך זה דן כיצד להשתמש בספריית TensorFlow Data Validation (TFDV) עבור חקר נתונים וניתוח תיאורי במהלך ניסויים. מדעני נתונים ומהנדסי למידת מכונה (ML) יכולים להשתמש ב-TFDV במערכת ML ייצור כדי לאמת נתונים המשמשים בצינור אימון מתמשך (CT), וכדי לזהות הטיות וחריגים בנתונים שהתקבלו לצורך הגשת חיזוי. זה כולל מעבדות מעשית . קרא עוד