Creación de aplicaciones basadas en el aprendizaje automático

Índice

A

• Pruebas A/B, Pruebas A/B y Experimentación
• precisión
  • definido, Juez Actuación
  • Mira más allá, Evalúa tu modelo: Mira más allá de la precisión
• actores adversarios
  • abuso y doble uso, Problemas de abuso y doble uso, Monitoreo para detectar abusos
  • Derrotar a los modelos ML, Derrotar a un modelo
  • explotar modelos, Explotar un modelo
• Métricas agregadas, Ir más allá de las métricas agregadas, Rendimiento del modelo inclusivo
• algoritmos
  • Serel Algoritmo, El Enfoque Más Sencillo: Ser el Algoritmo, Ser el Algoritmo
  • clasificación y regresión, Clasificación y regresión
  • análisis de agrupación, Explorar y Etiquetar Eficientemente
  • k-means, Agrupación
  • supervisado frente a no supervisado, Modelos, Frescura y Cambio de distribución
• detección de anomalías, clasificación y regresión, monitoreo para detectar abusos
• Apache Airflow, Procesamiento de Datos y DAGs
• aplicaciones(véase también aplicaciones impulsadas por ML)
  • creación de aplicaciones prácticas, Utilizar el ML para crear aplicaciones prácticas
  • retos de aplicar el ML a, El objetivo de utilizar aplicaciones impulsadas por el aprendizaje automático
  • determinar lo que es posible, Estimar lo que es posible, Monica Rogati: Cómo elegir y priorizar proyectos de ML
  • proceso de creación de aplicaciones basadas en ML, El proceso de ML
• AUC (área bajo la curva), Curva ROC
• sistemas automatizados de etiquetado de fotos, Rendimiento del modelo inclusivo
• Media móvil integrada autorregresiva (ARIMA), Nuestros datos tienen un aspecto temporal
• modelos autorregresivos, Intentar hacerlo ...