Episode
Reproduzierbare Data Science mit maschinellem Lernen
Wenn Sie Ihren eigenen Code ein paar Monate nach dem Schreiben erklären können, ist es schwierig. Stellen Sie sich vor, sie müssen einige Jahre nach der Ausführung die Entscheidungen eines KI-Algorithmus erklären! Es ist jedoch relativ einfach, Ihren Entwicklungsworkflow einzurichten, um dies zu ermöglichen, solange Sie erkennen, dass die Art und Weise, wie wir ML und KI erstellen, grundlegend von herkömmlichem Software engineering unterscheidet. Kurz gesagt: reproduzierbare Forschung, Entwicklung und Bereitstellung. Es wird durch eine clevere Verwendung moderner Notizbuchumgebungen ermöglicht, einschließlich Azure ML Compute Instances, im Gegensatz zu den herkömmlicheren IDEs, z. B. Visual Studio Code. Rafal Lukawiecki arbeitet seit über einem Jahrzehnt aktiv in Data Science, Machine Learning und Data Mining, und er hat formal künstliche Intelligenz studiert und verwendet, lange bevor es beliebt war, zurück in den 90er Jahren. Schauen Sie sich diese Episode an, um herauszufinden, wie er seinen reproduzierbaren Workflow organisiert.
Springen zu:
- [02:30] Lernen Sie reproduzierbare Forschung mit Rafal Lukawiecki
- [03:01] Modellierung und Exploration im Vergleich zur Softwareentwicklung
- [09:28] Schritte zu einem reproduzierbaren Workflow
- [15:20] Demo: Workflow mit RStudio und RMarkdown lokal ausgeführt
- [22:25] Demo: RMarkdown-Notizbücher in einer Azure ML-Computeinstanz
Weitere Informationen:
- Erfahren Sie mehr über diese Art der Verwendung von R mit Rafal
- Videos verfügbar bei Tecflix
- Folgen Sie Rafal auf LinkedIn
- Erstellen eines kostenlosen Kontos (Azure)
- Deep Learning im Vergleich zu maschinellem Lernen
- Erste Schritte mit Machine Learning
Verpassen Sie keine neuen Episoden,abonnieren Sie die AI Show
Wenn Sie Ihren eigenen Code ein paar Monate nach dem Schreiben erklären können, ist es schwierig. Stellen Sie sich vor, sie müssen einige Jahre nach der Ausführung die Entscheidungen eines KI-Algorithmus erklären! Es ist jedoch relativ einfach, Ihren Entwicklungsworkflow einzurichten, um dies zu ermöglichen, solange Sie erkennen, dass die Art und Weise, wie wir ML und KI erstellen, grundlegend von herkömmlichem Software engineering unterscheidet. Kurz gesagt: reproduzierbare Forschung, Entwicklung und Bereitstellung. Es wird durch eine clevere Verwendung moderner Notizbuchumgebungen ermöglicht, einschließlich Azure ML Compute Instances, im Gegensatz zu den herkömmlicheren IDEs, z. B. Visual Studio Code. Rafal Lukawiecki arbeitet seit über einem Jahrzehnt aktiv in Data Science, Machine Learning und Data Mining, und er hat formal künstliche Intelligenz studiert und verwendet, lange bevor es beliebt war, zurück in den 90er Jahren. Schauen Sie sich diese Episode an, um herauszufinden, wie er seinen reproduzierbaren Workflow organisiert.
Springen zu:
- [02:30] Lernen Sie reproduzierbare Forschung mit Rafal Lukawiecki
- [03:01] Modellierung und Exploration im Vergleich zur Softwareentwicklung
- [09:28] Schritte zu einem reproduzierbaren Workflow
- [15:20] Demo: Workflow mit RStudio und RMarkdown lokal ausgeführt
- [22:25] Demo: RMarkdown-Notizbücher in einer Azure ML-Computeinstanz
Weitere Informationen:
- Erfahren Sie mehr über diese Art der Verwendung von R mit Rafal
- Videos verfügbar bei Tecflix
- Folgen Sie Rafal auf LinkedIn
- Erstellen eines kostenlosen Kontos (Azure)
- Deep Learning im Vergleich zu maschinellem Lernen
- Erste Schritte mit Machine Learning
Verpassen Sie keine neuen Episoden,abonnieren Sie die AI Show
Feedback? Melden Sie hier ein Problem.