İhtiyaçlarınızı karşılayan bir çözüm oluşturmak için TFX'in nasıl uygulanabileceğine dair bilgi mi arıyorsunuz? Bu ayrıntılı makaleler ve kılavuzlar yardımcı olabilir!
Gerçek zamanlıya yakın öğe eşleştirmesi için makine öğrenimi sisteminin mimarisi
Öğe yerleştirmelerini öğrenen ve sunan bir makine öğrenimi (ML) çözümünün mimarisi hakkında bilgi edinmek için bu belgeyi kullanın. Yerleştirmeler, müşterilerinizin hangi öğeleri benzer olarak değerlendirdiğini anlamanıza yardımcı olabilir; bu da uygulamanızda gerçek zamanlı "benzer öğe" önerileri sunmanıza olanak tanır. Bu çözüm, bir veri kümesindeki benzer şarkıları nasıl tanımlayacağınızı ve ardından bu bilgiyi şarkı önerilerinde bulunmak için nasıl kullanacağınızı gösterir. Devamını oku
Makine öğrenimi için veri ön işleme: seçenekler ve öneriler
Bu iki bölümlü makale, makine öğrenimi (ML) için veri mühendisliği ve özellik mühendisliği konusunu araştırıyor. Bu ilk bölümde, Google Cloud'daki bir makine öğrenimi hattında verilerin ön işlenmesine ilişkin en iyi uygulamalar anlatılmaktadır. Makale, verileri hazırlamak, modeli eğitmek ve modele tahmin amacıyla hizmet vermek için TensorFlow ve açık kaynak TensorFlow Transform (tf.Transform) kitaplığını kullanmaya odaklanıyor. Bu bölüm, makine öğrenimi için verileri ön işlemenin zorluklarını vurguluyor ve Google Cloud'da veri dönüşümünü etkili bir şekilde gerçekleştirmeye yönelik seçenekler ve senaryoları gösteriyor. Bölüm 1 Bölüm 2
TFX, Kubeflow Pipelines ve Cloud Build kullanan MLOps mimarisi
Bu belge, TensorFlow Extended (TFX) kitaplıklarını kullanan bir makine öğrenimi (ML) sisteminin genel mimarisini açıklamaktadır. Ayrıca Cloud Build ve Kubeflow Pipelines kullanılarak makine öğrenimi sistemi için sürekli entegrasyonun (CI), sürekli teslimin (CD) ve sürekli eğitimin (CT) nasıl kurulacağı da tartışılmaktadır. Devamını oku
MLOps: Makine öğreniminde sürekli teslimat ve otomasyon işlem hatları
Bu belgede makine öğrenimi (ML) sistemleri için sürekli entegrasyon (CI), sürekli teslimat (CD) ve sürekli eğitimin (CT) uygulanması ve otomatikleştirilmesine yönelik teknikler anlatılmaktadır. Veri bilimi ve makine öğrenimi, karmaşık gerçek dünya sorunlarını çözmek, endüstrileri dönüştürmek ve tüm alanlarda değer sunmak için temel yetenekler haline geliyor. Devamını oku
Google Cloud'da MLOps ortamı kurma
Bu referans kılavuzu, Google Cloud'daki makine öğrenimi işlemleri (MLOps) ortamının mimarisini özetlemektedir. Kılavuz, GitHub'da burada açıklanan ortamın sağlanması ve yapılandırılması sürecinde size yol gösterecek uygulamalı laboratuvarlarla birlikte verilmektedir . Neredeyse tüm endüstriler makine öğrenimini (ML) hızla artan bir hızla benimsiyor. ML'den değer elde etmenin en önemli zorluklarından biri, ML sistemlerini etkili bir şekilde dağıtmanın ve çalıştırmanın yollarını yaratmaktır. Bu kılavuz, makine öğrenimi (ML) ve DevOps mühendislerine yöneliktir. Devamını oku
MLOps temeli için temel gereksinimler
Yapay zeka odaklı kuruluşlar, en zor sorunlarını çözmek için veri ve makine öğrenimini kullanıyor ve bunun karşılığını alıyor.
McKinsey Global Institute'a göre "2025 yılına kadar değer üreten iş akışlarında yapay zekayı tamamen benimseyen şirketler, +%120 nakit akışı büyümesiyle 2030 dünya ekonomisine hakim olacak" .
Ama şu anda bu hiç de kolay değil. Makine öğrenimi (ML) sistemleri, iyi yönetilmediği takdirde teknik borç yaratma konusunda özel bir kapasiteye sahiptir. Devamını oku
Scikit-Learn ile bulutta model kart nasıl oluşturulur ve dağıtılır
Makine öğrenimi modelleri artık birçok zorlu görevi gerçekleştirmek için kullanılıyor. ML modelleri, geniş potansiyelleriyle aynı zamanda kullanımları, yapıları ve sınırlamaları hakkında da sorular ortaya çıkarıyor. Bu soruların yanıtlarını belgelemek, netlik ve ortak anlayış sağlamaya yardımcı olur. Bu hedeflerin ilerlemesine yardımcı olmak için Google model kartlarını kullanıma sundu. Devamını oku
TensorFlow Veri Doğrulaması ile makine öğrenimi için verileri geniş ölçekte analiz etme ve doğrulama
Bu belgede, deneme sırasında veri araştırması ve tanımlayıcı analitik için TensorFlow Veri Doğrulama (TFDV) kitaplığının nasıl kullanılacağı anlatılmaktadır. Veri bilimcileri ve makine öğrenimi (ML) mühendisleri, sürekli eğitim (CT) hattında kullanılan verileri doğrulamak ve tahmin hizmeti için alınan verilerdeki çarpıklıkları ve aykırı değerleri tespit etmek için bir üretim ML sisteminde TFDV'yi kullanabilir. Uygulamalı laboratuvarları içerir. Devamını oku