La respuesta a esto es: depende del caso de uso y la situación y características de su organización.
Algunas cosas (o situaciones) que podrían hacer que considere construir sus propios algoritmos:
- Entrada muy personalizada y formatos de datos de entrenamiento
- Resultado único o rendimiento esperado del algoritmo en cuestión
- Las plataformas tecnológicas que tiene actualmente no coinciden con lo que se está utilizando
- Existe una profunda experiencia dentro de su organización que es específica de dominio y también específica de ingeniería computacional
Si no tiene las situaciones descritas anteriormente, haría bien en apegarse a tecnologías bien conocidas y marcos de desarrollo de algoritmos ya implementados, en Python, R, Spark, Java, etc. Si está comenzando a hacer ML / AI Como compañía, es mejor crear prototipos de ideas y soluciones utilizando marcos de código abierto bien conocidos y documentados como los descritos anteriormente. Le ayuda a personalizar y construir fácilmente aspectos de él para cualquier propósito específico, en el futuro.
- ¿Hay algún patrón abstracto para medir qué tan bueno eres en algoritmos?
- ¿Qué es un algoritmo basado en población? ¿Cuál es el propósito de esto?
- ¿De qué juez en línea puedo aprender algoritmos estándar y estructuras de datos?
- ¿Qué son las estructuras de datos y por qué las usamos? ¿Cuál es su relación con los algoritmos?
- ¿Cuál es el enfoque para resolver GSS1 y GSS3 en SPOJ usando árboles de segmentos?
