post sponsorizzato
Le sfide della creazione di modelli multimodali da zero
Per molti casi d'uso di machine learning, le organizzazioni si affidano esclusivamente a dati tabulari e modelli basati su albero come XGBoost e LightGBM. Questo perché il deep learning è semplicemente troppo difficile per la maggior parte dei team ML. Le sfide comuni includono:
- Mancanza di conoscenze specialistiche necessarie per sviluppare complessi modelli di deep learning
- Framework come PyTorch e Tensorflow richiedono ai team di scrivere migliaia di righe di codice soggette a errore umano
- L'addestramento delle pipeline DL distribuite richiede una conoscenza approfondita dell'infrastruttura e può richiedere settimane per addestrare i modelli
Di conseguenza, i team perdono segnali preziosi nascosti all'interno di dati non strutturati come testo e immagini.
Sviluppo rapido di modelli con sistemi dichiarativi
I nuovi sistemi dichiarativi di machine learning, come Ludwig open source avviato presso Uber, forniscono un approccio low-code all'automazione del machine learning che consente ai team di dati di creare e distribuire modelli all'avanguardia più velocemente con un semplice file di configurazione. Nello specifico, Predibase, la principale piattaforma ML dichiarativa low-code, insieme a Ludwig semplifica la creazione di modelli di deep learning multimodali in meno di 15 righe di codice.
Scopri come creare un modello multimodale con il machine learning dichiarativo
Partecipa al nostro prossimo webinar e tutorial dal vivo per conoscere i sistemi dichiarativi come Ludwig e seguire le istruzioni passo passo per la creazione di un modello di previsione delle recensioni dei clienti multimodale sfruttando testo e dati tabulari.
In questa sessione imparerai a:
- Addestra, itera e distribuisci rapidamente un modello multimodale per le previsioni delle recensioni dei clienti,
- Utilizza strumenti ML dichiarativi a basso codice per ridurre drasticamente il tempo necessario per creare più modelli ML,
- Sfrutta i dati non strutturati con la stessa facilità dei dati strutturati con Ludwig e Predibase open source
- Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
- Platoblockchain. Web3 Metaverse Intelligence. Conoscenza amplificata. Accedi qui.
- Fonte: 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
- Chi siamo
- ed
- approccio
- Automatizzare
- perché
- costruire
- Costruzione
- sfide
- codice
- Uncommon
- complesso
- Configurazione
- cliente
- dati
- deep
- apprendimento profondo
- schierare
- sviluppare
- Mercato
- distribuito
- drammaticamente
- facilmente
- Abilita
- errore
- esperto
- più veloce
- Compila il
- seguire
- da
- gif
- Hard
- nascosto
- Come
- Tutorial
- HTML
- HTTPS
- umano
- immagini
- in
- includere
- Infrastruttura
- istruzioni
- IT
- KDnuggets
- conoscenze
- principale
- IMPARARE
- apprendimento
- leveraging
- Linee
- vivere
- macchina
- machine learning
- make
- molti
- ML
- modello
- modelli
- maggior parte
- multiplo
- di applicazione
- open source
- organizzazioni
- Platone
- Platone Data Intelligence
- PlatoneDati
- predizione
- Previsioni
- pytorch
- ridurre
- richiedere
- richiede
- colpevole
- recensioni
- Sessione
- Segnali
- Un'espansione
- semplicemente
- in particolare
- iniziato
- state-of-the-art
- step
- strutturato
- SISTEMI DI TRATTAMENTO
- Fai
- prende
- le squadre
- tensorflow
- I
- migliaia
- tempo
- a
- pure
- strumenti
- Treni
- lezione
- imminenti
- casi d'uso
- Prezioso
- Settimane
- volere
- entro
- scrivere
- XGBoost
- Trasferimento da aeroporto a Sharm
- zefiro