Aflevering
Reproduceerbare Datawetenschap met Machine Learning
Het is moeilijk om uw eigen code een paar maanden na het schrijven uit te leggen. Stel dat u de beslissingen van een AI-algoritme een paar jaar nadat het is uitgevoerd moet uitleggen. Het is echter relatief eenvoudig om uw ontwikkelwerkstroom in te stellen om dat mogelijk te maken, zolang u zich realiseert dat de manier waarop we ML en AI bouwen fundamenteel verschilt van traditionele software-engineering. In een notendop gaat het allemaal om: reproduceerbaar onderzoek, ontwikkeling en implementatie. Het wordt mogelijk gemaakt door slim gebruik te maken van moderne notebookomgevingen, waaronder Azure ML Compute Instances, in plaats van de meer traditionele IDE's, zoals Visual Studio Code. Rafal Azure is al ruim tien jaar actief bezig met data science, machine learning en data mining, en hij heeft formeel kunstmatige intelligentie bestudeerd en gebruikt lang voordat het populair was, terug in de jaren '90. Bekijk deze aflevering om erachter te komen hoe hij zijn reproduceerbare werkstroom organiseert.
Ga naar:
- [02:30] Meer informatie over reproduceerbaar onderzoek met Rafal Azure-
- [03:01] Modellering en verkenning versus softwareontwikkeling
- [09:28] Stappen naar een reproduceerbare werkstroom
- [15:20] Demo: Werkstroom met RStudio en RMarkdown lokaal uitgevoerd
- [22:25] Demo: RMarkdown-notebooks in een Azure ML Compute-exemplaar
Meer informatie:
- Meer informatie over deze manier van R gebruiken met Rafal
- Video's beschikbaar op Tecflix
- Volg Rafal op LinkedIn
- Een gratis account maken (Azure)
- Deep Learning versus Machine Learning
- Aan de slag met Machine Learning
Mis geen nieuwe afleveringen, abonneer u op de AI-show
Het is moeilijk om uw eigen code een paar maanden na het schrijven uit te leggen. Stel dat u de beslissingen van een AI-algoritme een paar jaar nadat het is uitgevoerd moet uitleggen. Het is echter relatief eenvoudig om uw ontwikkelwerkstroom in te stellen om dat mogelijk te maken, zolang u zich realiseert dat de manier waarop we ML en AI bouwen fundamenteel verschilt van traditionele software-engineering. In een notendop gaat het allemaal om: reproduceerbaar onderzoek, ontwikkeling en implementatie. Het wordt mogelijk gemaakt door slim gebruik te maken van moderne notebookomgevingen, waaronder Azure ML Compute Instances, in plaats van de meer traditionele IDE's, zoals Visual Studio Code. Rafal Azure is al ruim tien jaar actief bezig met data science, machine learning en data mining, en hij heeft formeel kunstmatige intelligentie bestudeerd en gebruikt lang voordat het populair was, terug in de jaren '90. Bekijk deze aflevering om erachter te komen hoe hij zijn reproduceerbare werkstroom organiseert.
Ga naar:
- [02:30] Meer informatie over reproduceerbaar onderzoek met Rafal Azure-
- [03:01] Modellering en verkenning versus softwareontwikkeling
- [09:28] Stappen naar een reproduceerbare werkstroom
- [15:20] Demo: Werkstroom met RStudio en RMarkdown lokaal uitgevoerd
- [22:25] Demo: RMarkdown-notebooks in een Azure ML Compute-exemplaar
Meer informatie:
- Meer informatie over deze manier van R gebruiken met Rafal
- Video's beschikbaar op Tecflix
- Volg Rafal op LinkedIn
- Een gratis account maken (Azure)
- Deep Learning versus Machine Learning
- Aan de slag met Machine Learning
Mis geen nieuwe afleveringen, abonneer u op de AI-show
Wilt u feedback geven? Dien hier een probleem in.