Episodio
Data Science riproducibile con Machine Learning
Essere in grado di spiegare il proprio codice alcuni mesi dopo che è stato scritto è difficile. Si supponga di dover spiegare le decisioni di alcuni algoritmi di intelligenza artificiale qualche anno dopo l'esecuzione. Tuttavia, è relativamente facile configurare il flusso di lavoro di sviluppo per rendere ciò possibile, purché si capisce che il modo in cui si compila ML e intelligenza artificiale è fondamentalmente diverso dalla progettazione software tradizionale. In breve, si tratta di tutto: ricerca riproducibile, sviluppo e distribuzione. È possibile usare in modo intelligente gli ambienti notebook moderni, tra cui istanze di calcolo di Azure ML, anziché gli ID più tradizionali, ad esempio Visual Studio Code. Rafal Lukawiecki ha lavorato attivamente in data science, machine learning e data mining per ben oltre un decennio, e ha studiato e usato l'intelligenza artificiale molto prima che fosse popolare, negli anni '90. Guarda questo episodio per scoprire come organizza il flusso di lavoro riproducibile.
Passare a:
- [02:30] Imparare ricerche riproducibili con Rafal Lukawiecki
- [03:01] Modellazione ed esplorazione e sviluppo software
- [09:28] Passaggi per un flusso di lavoro riproducibile
- [15:20] Demo: Flusso di lavoro con RStudio e RMarkdown in esecuzione in locale
- [22:25] Demo: notebook RMarkdown in un'istanza di calcolo di Azure ML
Altre informazioni:
- Altre informazioni su questo modo di usare R con Rafal
- Video disponibili presso Tecflix
- Seguire Rafal su LinkedIn
- Creare un account gratuito (Azure)
- Deep Learning e Machine Learning
- Introduzione a Machine Learning
Non perdere nuovi episodi, sottoscrivere il Programma di intelligenza artificiale
Essere in grado di spiegare il proprio codice alcuni mesi dopo che è stato scritto è difficile. Si supponga di dover spiegare le decisioni di alcuni algoritmi di intelligenza artificiale qualche anno dopo l'esecuzione. Tuttavia, è relativamente facile configurare il flusso di lavoro di sviluppo per rendere ciò possibile, purché si capisce che il modo in cui si compila ML e intelligenza artificiale è fondamentalmente diverso dalla progettazione software tradizionale. In breve, si tratta di tutto: ricerca riproducibile, sviluppo e distribuzione. È possibile usare in modo intelligente gli ambienti notebook moderni, tra cui istanze di calcolo di Azure ML, anziché gli ID più tradizionali, ad esempio Visual Studio Code. Rafal Lukawiecki ha lavorato attivamente in data science, machine learning e data mining per ben oltre un decennio, e ha studiato e usato l'intelligenza artificiale molto prima che fosse popolare, negli anni '90. Guarda questo episodio per scoprire come organizza il flusso di lavoro riproducibile.
Passare a:
- [02:30] Imparare ricerche riproducibili con Rafal Lukawiecki
- [03:01] Modellazione ed esplorazione e sviluppo software
- [09:28] Passaggi per un flusso di lavoro riproducibile
- [15:20] Demo: Flusso di lavoro con RStudio e RMarkdown in esecuzione in locale
- [22:25] Demo: notebook RMarkdown in un'istanza di calcolo di Azure ML
Altre informazioni:
- Altre informazioni su questo modo di usare R con Rafal
- Video disponibili presso Tecflix
- Seguire Rafal su LinkedIn
- Creare un account gratuito (Azure)
- Deep Learning e Machine Learning
- Introduzione a Machine Learning
Non perdere nuovi episodi, sottoscrivere il Programma di intelligenza artificiale
Per inviare suggerimenti, Invia un problema qui.