Search Results ML

「より良いMLシステムの構築-第4章モデルの展開とその先」

モデルを展開し、その制作を支援することは、機械学習よりもエンジニアリングに関わります機械学習のプロジェクトが制作段階に近づくにつれて、ますます多くの人々が関わってきますバックエンド...

実験、モデルのトレーニングおよび評価：AWS SageMakerを使用して6つの主要なMLOpsの質問を探求する

今回の記事は、'31の質問がフォーチュン500のML戦略を形作る' AWS SageMakerシリーズの一部です以前のブログ投稿「データの入手と調査」と「データ...」

「なぜ80%の企業のAI/ML導入が失敗するのか」

人工知能（AI）導入の失敗の背後にある理由とAI委員会の重要な役割を明らかにします企業における倫理的なAI統合のベストプラクティスを学んでください

『Streamlitにおけるセッション状態のパワーを解放する（1/2）』

「Streamlitは、最小限の努力でウェブアプリケーションの開発を容易にする効果を持つため、人気が急速に高まっていますStreamlitは、作成プロセスを簡素化するために開発されているが、…」

「フィーチャー/トレーニング/推論パイプラインによってバッチとMLシステムを統一する」

「データMLプロダクトチームのための新しいMLOpsの方法」

Partners

イントロダクション人事として働いていますか？チームの従業員が続けるかどうか、または組織を去ることを考えているかの予測に苦労していますか？心配しないでください！これを予測するために占星術師になる必要はありません。データサイエンスの力を使って、それを正確に予測することができます。簡単でパワフルなMLOpsツールであるZenMLとstreamlitと一緒に、従業員の離職率の素晴らしい旅を始めましょう。旅を始めましょう。学習目標この記事では、以下のことを学びます。 ZenMLとは？なぜ使うのか？どのように使うのか？なぜMLflowを使うのか？ZenMLとの統合方法は？デプロイメントパイプラインの必要性従業員の離職率プロジェクトの実装と予測の作成この記事は、データサイエンスブログマラソンの一部として公開されました。プロジェクトの実装問題の設定: 年齢、収入、パフォーマンスなどのいくつかの要素に基づいて、従業員が組織を去るかどうかを予測する。解決策: ロジスティック回帰モデルを構築して従業員の離職率を予測する。データセット: IBM HR Analytics Employee Attrition＆Performance [出典]: https://www.kaggle.com/datasets/pavansubhasht/ibm-hr-analytics-attrition-dataset プロジェクトの実装を見る前に、なぜここでZenMLを使用しているのかを見てみましょう。なぜZenMLを使用するのか？…

Amazon SageMakerを使用して、ML推論アプリケーションをゼロから構築し、展開する

機械学習（ML）が主流化し、広く採用されるにつれて、MLを活用した推論アプリケーションは複雑なビジネス問題を解決するためにますます一般的になっていますこれらの複雑なビジネス問題の解決には、複数のMLモデルとステップを使用することがしばしば必要ですこの記事では、カスタムコンテナを使用してMLアプリケーションを構築・ホストする方法をご紹介します

「オープンソースモデルと商用AI/ML APIの違い」

「最近数ヶ月間、おそらく多くの議論に遭遇したことでしょうそれは、大規模言語モデル（LLM）に対してオープンソースのAPIを使うべきか、商用のAPIを使うべきかというものですしかし、これは特定のものではありません…」

MLflowを使用した機械学習実験のトラッキング

イントロダクション機械学習（ML）の領域は急速に拡大し、さまざまなセクターで応用されています。MLflowを使用して機械学習の実験を追跡し、それらを構築するために必要なトライアルを管理することは、それらが複雑になるにつれてますます困難になります。これにより、データサイエンティストにとって多くの問題が生じる可能性があります。例えば：実験の損失または重複：実施された多くの実験を追跡することは困難であり、実験の損失や重複のリスクを高めます。結果の再現性：実験の結果を再現することは困難な場合があり、モデルのトラブルシューティングや改善が困難になります。透明性の欠如：モデルの予測を信頼するのが難しくなる場合があります。モデルの作成方法がわかりにくいためです。写真提供：CHUTTERSNAP（Unsplash）上記の課題を考慮すると、MLの実験を追跡し、再現性を向上させるためのメトリックをログに記録し、協力を促進するツールを持つことが重要です。このブログでは、コード例を含め、オープンソースのML実験追跡とモデル管理ツールであるMLflowについて探求し学びます。学習目標本記事では、MLflowを使用した機械学習の実験追跡とモデルレジストリの理解を目指します。さらに、再利用可能で再現性のある方法でMLプロジェクトを提供する方法を学びます。最後に、LLMとは何か、なぜアプリケーション開発のためにLLMを追跡する必要があるのかを学びます。 MLflowとは何ですか？ MLflowロゴ（出典：公式サイト） MLflowは、機械学習プロジェクトを簡単に扱うための機械学習実験追跡およびモデル管理ソフトウェアです。MLワークフローを簡素化するためのさまざまなツールと機能を提供します。ユーザーは結果を比較し、複製し、パラメータやメトリックをログに記録し、MLflowの実験を追跡することができます。また、モデルのパッケージ化と展開も簡単に行えます。 MLflowを使用すると、トレーニング実行中にパラメータとメトリックをログに記録することができます。 # mlflowライブラリをインポートする import mlflow # mlflowのトラッキングを開始する mlflow.start_run() mlflow.log_param("learning_rate", 0.01)…

「Amazon SageMakerを使用して、マルチクラウド環境でMLモデルをトレーニングおよびデプロイする」

この投稿では、多クラウド環境でAWSの最も広範で深いAI / ML機能の1つを活用するための多くのオプションの1つを示しますAWSでMLモデルを構築しトレーニングし、別のプラットフォームでモデルを展開する方法を示しますAmazon SageMakerを使用してモデルをトレーニングし、モデルアーティファクトをAmazon Simple Storage Service（Amazon S3）に保存し、モデルをAzureで展開して実行します

Learn more about Search Results ML - Page 9