Aufbau von Anwendungen mit maschinellem Lernen

Index

A

• A/B-Tests, A/B-Tests und Experimente
• Genauigkeit
  • definiert, Richterleistung
  • looking beyond, Evaluiere dein Modell: Schau über die Genauigkeit hinaus
• gegnerische Akteure
  • Missbrauch und Dual-Use, Missbrauchsbedenken und Dual-Use, Überwachung zur Aufdeckung des Missbrauchs
  • ML-Modelle besiegen, Ein Modell besiegen
  • Modelle ausnutzen, Ein Modell ausnutzen
• Aggregierte Metriken, Über aggregierte Metriken hinausgehen, Inklusive Modellleistung
• Algorithmen
  • Der Algorithmus sein, Der einfachste Ansatz: Der Algorithmus sein, der Algorithmus sein
  • Klassifizierung und Regression, Klassifizierung und Regression
  • Clustering-Analyse, effizientes Erkunden und Beschriften
  • k-means, Clustering
  • Überwacht versus unüberwacht, Modelle, Frische und Verteilungsverschiebung
• Anomalieerkennung, Klassifizierung und Regression, Monitor zur Missbrauchserkennung
• Apache Airflow, Datenverarbeitung und DAGs
• Anwendungen(siehe auch ML-gestützte Anwendungen)
  • Aufbau praktischer, Use ML to Build Practical Applications
  • Herausforderungen bei der Anwendung von ML auf, The Goal of Using Machine Learning Powered Applications
  • Bestimmen, was möglich ist, Schätzen, was möglich ist, Monica Rogati: Wie man ML-Projekte auswählt und priorisiert
  • Prozess der Entwicklung ML-gestützter Anwendungen, Der ML-Prozess
• AUC (Fläche unter der Kurve), ROC-Kurve
• Automatische Foto-Tagging-Systeme, Inklusive Modellleistung
• AutoRegressive Integrated Moving Average (ARIMA), Unsere Daten haben einen zeitlichen Aspekt
• autoregressive Modelle, Trying to Do It All with ML: An ...