Aquí hay un artículo que explica cómo el aprendizaje conjunto podría usarse para predecir las ventas de vino. Una metodología de predicción de conjunto utilizada en el proyecto basada en un conjunto ponderado de modelos de regresión lineal, GBM y XGBOOST : ML Model Ensembling with Fast Iterations
Todos los ajustes esenciales para la canalización de aprendizaje automático condicional para este proyecto se gestionan mediante un archivo de configuración. Para facilitar su uso a través de la solución, se incluyó en todas las capacitaciones y pronósticos de modelos. Por lo tanto, los parámetros respectivos serán recuperados por los scripts ejecutables, y la lógica condicional allí se activará respectivamente.
- ¿Cuáles son los temas más comunes omitidos de los cursos de aprendizaje automático?
- ¿Cuáles son los conceptos básicos de los campos aleatorios condicionales?
- ¿Por qué se le da tanta atención a xgboost que al aprendizaje profundo a pesar de su ubicuidad en ganar soluciones de Kaggle?
- Si quiero comenzar con el aprendizaje profundo, ¿debería comprar una GPU de gama baja o aprovechar una solución en la nube? ¿Cuál es más barato / mejor?
- ¿Qué recursos sobre modelos gráficos se recomiendan para los estudiantes de aprendizaje automático que desean ingresar al campo?
El proceso de construcción de una tubería de predicción de conjunto se realizó utilizando la herramienta DVC (Control de versión de datos). Las características clave esenciales son:
- reproducibilidad : todos los miembros de un equipo pueden ejecutarlo en su premisa
- separación de datos y código : esto garantiza que todos ejecuten siempre las últimas versiones de los trabajos de canalización con la ‘copia de oro’ más actualizada de los conjuntos de datos de capacitación y pruebas
El útil efecto secundario del uso de DVC fue que dejó de tener en cuenta lo que cambiaba en cada paso de la modificación de los scripts del proyecto o en la configuración de la tubería. Debido a que mantiene el gráfico de dependencias (DAG) automáticamente, desencadena automáticamente los únicos pasos que se vieron afectados por los cambios particulares: la capacidad de iterar rápidamente a través de toda la tubería de ML.
