Escalar el aprendizaje automático con Spark

Capítulo 3. Gestión del ciclo de vida de los experimentos de aprendizaje automático con MLflow

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

Máquina El desarrollo del aprendizaje y la ciencia de los datos se realizan a menudo en colaboración, pero construir modelos en colaboración, mientras se experimenta con una gran combinación de características, técnicas de normalización e hiperparámetros, es una empresa compleja. En parte, esto se debe sencillamente a que es una tarea compleja hacer un seguimiento de los experimentos, reproducir los resultados, empaquetar los modelos para su implementación, y almacenar y gestionar esos modelos de forma que se garantice que están bien documentados y proporcionan la precisión deseada.

Para facilitar este proceso, es necesario evolucionar el flujo de trabajo de desarrollo del aprendizaje automático para que sea más sólido, predecible y estandarizado. Con este fin, muchas organizaciones han empezado a construir plataformas internas de aprendizaje automático para gestionar el ciclo de vida del aprendizaje automático. Sin embargo, estas plataformas suelen admitir sólo un pequeño conjunto de algoritmos incorporados, dictados por la infraestructura de la empresa y el software disponible, sin mucha apertura a admitir nuevo software debido a la complejidad añadida. Además, estas plataformas no suelen ser de código abierto, y los usuarios no pueden aprovechar fácilmente las nuevas ...