Sponsorerede Indlæg
Udfordringerne ved at bygge multimodale modeller fra bunden
I mange tilfælde af maskinlæring er organisationer udelukkende afhængige af tabeldata og træbaserede modeller som XGBoost og LightGBM. Dette skyldes, at deep learning simpelthen er for svært for de fleste ML-hold. Fælles udfordringer omfatter:
- Mangel på ekspertviden, der er nødvendig for at udvikle komplekse deep learning-modeller
- Rammer som PyTorch og Tensorflow kræver, at teams skriver tusindvis af linjer kode, der er tilbøjelige til menneskelige fejl
- Træning af distribuerede DL-rørledninger kræver dybt kendskab til infrastruktur og kan tage uger at træne modeller
Som et resultat går teams glip af værdifulde signaler gemt i ustrukturerede data som tekst og billeder.
Hurtig modeludvikling med deklarative systemer
Nye deklarative maskinlæringssystemer – som open source Ludwig startet hos Uber – giver en lav-kode tilgang til automatisering af ML, der gør det muligt for datateams at bygge og implementere state-of-the-art modeller hurtigere med en simpel konfigurationsfil. Specifikt gør Predibase – den førende lavkodedeklarative ML-platform – sammen med Ludwig det nemt at bygge multimodale deep learning-modeller i < 15 linjer kode.
Lær, hvordan man bygger en multimodal model med deklarativ ML
Deltag i vores kommende webinar og live tutorial for at lære om deklarative systemer som Ludwig og følge med trin for trin instruktioner til opbygning af en multimodal kundegennemgang forudsigelsesmodel, der udnytter tekst og tabeldata.
I denne session lærer du, hvordan du:
- Træn, gentag og implementer hurtigt en multimodal model til forudsigelser af kunderevalueringer,
- Brug deklarative ML-værktøjer med lav kode til dramatisk at reducere den tid, det tager at bygge flere ML-modeller,
- Udnyt ustrukturerede data lige så nemt som strukturerede data med open source Ludwig og Predibase
- SEO Powered Content & PR Distribution. Bliv forstærket i dag.
- Platoblokkæde. Web3 Metaverse Intelligence. Viden forstærket. Adgang her.
- Kilde: https://www.kdnuggets.com/2023/01/predibase-multi-modal-deep-learning-less-15-lines-code.html?utm_source=rss&utm_medium=rss&utm_campaign=multi-modal-deep-learning-in-less-than-15-lines-of-code
- a
- Om
- ,
- tilgang
- Automatisering
- fordi
- bygge
- Bygning
- udfordringer
- kode
- Fælles
- komplekse
- Konfiguration
- kunde
- data
- dyb
- dyb læring
- indsætte
- udvikle
- Udvikling
- distribueret
- dramatisk
- nemt
- muliggør
- fejl
- ekspert
- hurtigere
- File (Felt)
- følger
- fra
- gif
- Hård Ost
- Skjult
- Hvordan
- How To
- HTML
- HTTPS
- menneskelig
- billeder
- in
- omfatter
- Infrastruktur
- anvisninger
- IT
- KDnuggets
- viden
- førende
- LÆR
- læring
- løftestang
- linjer
- leve
- maskine
- machine learning
- lave
- mange
- ML
- model
- modeller
- mest
- flere
- behov
- open source
- organisationer
- plato
- Platon Data Intelligence
- PlatoData
- forudsigelse
- Forudsigelser
- pytorch
- reducere
- kræver
- Kræver
- resultere
- gennemgå
- Session
- signaler
- Simpelt
- ganske enkelt
- specifikt
- påbegyndt
- state-of-the-art
- Trin
- struktureret
- Systemer
- Tag
- tager
- hold
- tensorflow
- tusinder
- tid
- til
- også
- værktøjer
- Tog
- tutorial
- kommende
- brugssager
- Værdifuld
- uger
- vilje
- inden for
- skriver
- XGBoost
- Din
- zephyrnet