Tools für Wettbewerber in Wettbewerben für maschinelles Lernen

Wettbewerbe für maschinelles Lernen sind ein relativ neues Phänomen.

Es erschien als Ergebnis der Entwicklung von Technologien für künstliche Intelligenz.

Im Moment entwickelt und zieht es viele interessierte Menschen aktiv an.

Vorteile für die Organisatoren des Wettbewerbs:

• Eine große Anzahl qualifizierter Personen, die an ihrer Aufgabe arbeiten und versuchen, sie besser zu lösen als andere
• Relativ geringe (im Vergleich zu Einstellungsspezialisten) finanzielle Kosten
• Die Lösung des Problems, die höchste Qualität und am besten dafür geeignet

Und die Wettbewerber profitieren auch:

• Öffentliche Anerkennung hoher Qualifikationen
• Barpreise
• Und nur das Vergnügen, teilzunehmen und zu gewinnen

In diesem Artikel möchte ich verschiedene Tools betrachten, mit denen die Teilnehmer den Prozess besser und effizienter organisieren, die Gewinnwahrscheinlichkeit erhöhen und im Allgemeinen ein qualifizierterer Spezialist werden können.

Lass uns anfangen!

Entschlossen

Eine Plattform zum Trainieren von Deep-Learning-Modellen.

• Beschleunigtes Training von Modellen mit modernstem verteilten Training, ohne den Modellcode zu ändern
• Automatische Suche nach hochwertigen Modellen mit erweiterten Hyperparametereinstellungen - von den Entwicklern von Hyperband
• GPU GPU,
• , , , -
• DL-
• ,

Compose

.

• ,
• Featurepools
• EvalML

Featuretools

.

EvalML

AutoML , .

• Featuretools Compose end-to-end ML-

Pandas Profiling

DataFrame Pandas.

• df.describe() — df.profile_report()
• HTML-
• :
• : , ,
• : , Q1, , Q3, , ,
• : , , , , , , ,
• : ,
• : ,
• : ( , ), (, ) (ASCII)
• : , , , EXIF

Tpot

, .

• , ,
• Python
• Scikit-learn

Shap

- ML-.

Feature-engine

ML-.

• ,
• , , , , ,

Lale

-.

• ,
• —
• — JSON -
• —

Biome

.

• — , ; ; ;
• — , ; (, , , , , ), (PDF, Word, Excel, HTML, E-mail ); , ; , ,
• — , ;

DataSketch

.

PyTextRank

.

• ( , )
• ( )

Joblib

.

• —
• Pickle ,

Shampoo

.

• ,
• , ,

Michelangelo

Uber.

• API

Hasty.ai

.

Cortex

.

• API

Weights & Biases

.

• -
• —
• -
• —
• —

SpeedRun

ML-.

• Weights & Biases
• - Weights & Biases
• ,
• matplotlib

Great Expectations

— , .

Keras Tuner

-.

NanoEdge AI Studio

AI-, MCU C .

• MCU C
• Arm Cortex-M
• (1-20kB RAM/Flash)
• (1-20ms M4 80MHz)
• AI
• C
• , MCU
• ML

LabelBox

End-to-end .

• API (Python, GraphQL) SDK
• : ,
• : , 30 FPS ,
• : , ,
• API

LabelML

ML- .

• (2 )
• , -s, -
• Tensorboard
• API

PyCaret

Low-code ML-.

• —
• -
• ( 60 )
• ( , , , - )

CometML

• , ,
• — , -, , , ,
• — , ,

ClearML

ML- (MLOps).

• ,
• — , , , , ,
• GPU/CPU ,
• — ; ; ,

, , ,

• Klassische Musik
• Gute Laune

Fazit.

Natürlich reicht es nicht aus, nur die Werkzeuge zu beschreiben, um immer zu gewinnen.

Der Erfolg hängt von vielen anderen Faktoren ab - zu wissen, wo und wann ein bestimmtes Werkzeug verwendet werden muss oder nicht, welche Einschränkungen bestehen, wie die Werkzeuge kombiniert werden können usw. usw.

Ich hoffe, dass dieser Artikel dennoch für Sie nützlich ist und Ihre Teilnahme am Wettbewerb fruchtbarer und effektiver wird.

Vorwärts zu Siegen!