การเรียนรู้เชิงลึกหลายรูปแบบในโค้ดน้อยกว่า 15 บรรทัด

เผยแพร่ซ้ำโดยเพลโต

ผู้ติดตาม: 0

ผู้สนับสนุนโพสต์

การเรียนรู้เชิงลึกหลายรูปแบบในโค้ดน้อยกว่า 15 บรรทัด

ความท้าทายในการสร้างโมเดลหลายรูปแบบตั้งแต่เริ่มต้น

สำหรับกรณีการใช้งานแมชชีนเลิร์นนิงหลายกรณี องค์กรจะใช้ข้อมูลแบบตารางและโมเดลแบบต้นไม้อย่าง XGBoost และ LightGBM เท่านั้น เนื่องจากการเรียนรู้เชิงลึกนั้นยากเกินไปสำหรับทีม ML ส่วนใหญ่ ความท้าทายทั่วไป ได้แก่ :

ขาดความรู้จากผู้เชี่ยวชาญที่จำเป็นในการพัฒนาโมเดลการเรียนรู้เชิงลึกที่ซับซ้อน
เฟรมเวิร์กเช่น PyTorch และ Tensorflow กำหนดให้ทีมเขียนโค้ดหลายพันบรรทัดที่มีแนวโน้มที่จะเกิดข้อผิดพลาดโดยมนุษย์
การฝึกอบรมไปป์ไลน์ DL แบบกระจายนั้นต้องการความรู้เชิงลึกเกี่ยวกับโครงสร้างพื้นฐาน และอาจใช้เวลาหลายสัปดาห์ในการฝึกโมเดล

ส่งผลให้ทีมพลาดสัญญาณอันมีค่าที่ซ่อนอยู่ในข้อมูลที่ไม่มีโครงสร้าง เช่น ข้อความและรูปภาพ

การพัฒนาแบบจำลองอย่างรวดเร็วด้วยระบบการประกาศ

ระบบแมชชีนเลิร์นนิงแบบเปิดเผยใหม่ เช่น โอเพ่นซอร์สที่ Ludwig เริ่มต้นที่ Uber มอบแนวทางแบบใช้โค้ดน้อยเพื่อทำให้ ML เป็นอัตโนมัติ ซึ่งช่วยให้ทีมข้อมูลสร้างและปรับใช้โมเดลล้ำสมัยได้เร็วขึ้นด้วยไฟล์การกำหนดค่าที่เรียบง่าย โดยเฉพาะอย่างยิ่ง Predibase—แพลตฟอร์ม ML แบบประกาศโค้ดต่ำชั้นนำ—พร้อมกับ Ludwig ทำให้ง่ายต่อการสร้างโมเดลการเรียนรู้เชิงลึกแบบหลายโมดอลในโค้ด < 15 บรรทัด

การเรียนรู้เชิงลึกหลายรูปแบบในโค้ดน้อยกว่า 15 บรรทัด

เรียนรู้วิธีสร้างโมเดลหลายโมดอลด้วย ML ที่เปิดเผย

เข้าร่วมการสัมมนาผ่านเว็บที่กำลังจะมีขึ้นของเรา และบทช่วยสอนแบบสดเพื่อเรียนรู้เกี่ยวกับระบบการประกาศเช่น Ludwig และทำตามคำแนะนำทีละขั้นตอนสำหรับการสร้างแบบจำลองการคาดคะเนรีวิวลูกค้าแบบหลายโมดอลที่ใช้ประโยชน์จากข้อความและข้อมูลแบบตาราง

ในเซสชั่นนี้ คุณจะได้เรียนรู้วิธีการ:

ฝึกฝน ทำซ้ำ และปรับใช้โมเดลหลายโมดอลอย่างรวดเร็วสำหรับการคาดการณ์การรีวิวของลูกค้า
ใช้เครื่องมือ ML ที่ประกาศโค้ดต่ำเพื่อลดเวลาที่ใช้ในการสร้างโมเดล ML หลายๆ รุ่นได้อย่างมาก
ใช้ประโยชน์จากข้อมูลที่ไม่มีโครงสร้างได้ง่ายพอๆ กับข้อมูลที่มีโครงสร้างด้วย Ludwig และ Predibase แบบโอเพ่นซอร์ส

บันทึกจุดของคุณ