DIVULGACIÓN COMPLETA: trabajo para BigML
BigML nunca ha tenido la intención de dejar sin trabajo a los expertos de ML, sino democratizar el aprendizaje automático. En todo caso, tenemos muchos expertos en ML que utilizan felizmente BigML para la creación de prototipos y agilizan la implementación de modelos predictivos aprovechando nuestra API RESTful. Entonces, ¿qué significa “Democratizing ML”?
Bueno, es un hecho bien conocido que muchas organizaciones todavía luchan por comprender mejor lo que pueden hacer con Machine Learning y / o rediseñar sus procesos de minería de datos del viejo mundo además de las nuevas tecnologías de onda (por ejemplo, MLaaS, Big Data, etc.). A menos que sea LinkedIn, AirBnB o Uber, es probable que su organización tenga dificultades para reclutar, retener el talento de Data Science y lograr un ROI positivo más rápido con sus esfuerzos de análisis avanzado.
- ¿Cuáles son los mayores desafíos al hacer análisis de big data?
- ¿Qué sería más beneficioso para un estudiante de tercer año de ECE, hacer aprendizaje automático u otros cursos?
- Cómo aprender a crear un sistema óptico de reconocimiento de caracteres utilizando redes neuronales artificiales como mi mini proyecto
- ¿Cuáles son las mejores fuentes para aprender el aprendizaje automático y el procesamiento del lenguaje natural?
- ¿Cuál es la explicación de la fórmula de compensación de Bias Variance?
BigML ha notado este déficit ya en 2011 y comenzó a trabajar para hacer que ML sea más accesible al simplificar las cosas a un nivel en el que todavía es efectivo desde una perspectiva de mejores prácticas de ML, pero lo más importante a un nivel que hace posible que los expertos que no son de ML (principalmente desarrolladores) a
* aprovecha una interfaz de usuario intuitiva
* un API de ML bien diseñado y potente (Desarrolladores | BigML.com)
* una infraestructura de fondo altamente adaptable y escalable
* a un costo de entrada muy razonable (es decir, planes a partir de $ 30 / mes)
Eso es lo que llamamos Machine Learning as a Service (MLaaS).
Comenzamos esta visión implementando primero árboles de decisión, porque son muy bien entendidos, interpretables y altamente escalables. Sin embargo, la oferta actual de BigML va MUCHO MÁS ALLÁ (Novedades | BigML.com) árboles de decisión. A saber, incluye:
* Conjuntos de bosque de decisión aleatoria
* Conjuntos de ensacado (también conocido como Bootstrap Aggregating)
* K-significa Clustering
* G-significa Agrupación
* Detección de anomalías (basado en bosque de aislamiento)
* Evaluaciones del modelo (con precisión, recuperación, matriz de confusión, medidas F y Phi)
* Discovery de la Asociación (Gracias a la adquisición de Magnum Opus a principios de este año: http://blog.bigml.com/2015/07/02…)
Nuestra comunidad de usuarios realmente aprecia nuestra posición API-first que los ayuda a resolver PROGRAMÁTICAMENTE casos de uso predictivo de la vida real, porque les da la oportunidad de implementar rápidamente modelos ML en su entorno de producción, una tarea de enormes proporciones para los modelos ML integrados en herramientas como R Para los que tienen una inclinación técnica, tenemos un Slideshare bastante detallado de lo que significa API-first en el contexto de ML:
http://www.slideshare.net/bigml/…
Finalmente, como estamos presenciando la evolución de las herramientas de ML desde las basadas en estaciones de trabajo hasta las nacidas en la nube, más y más grandes jugadores están invirtiendo en servicios MLaaS validando aún más la visión pionera de BigML, por ejemplo, más recientemente Microsoft, Amazon. Sin duda, las técnicas de Machine Learning seguirán siendo útiles en el futuro previsible como ayudas internas para la toma de decisiones. Sin embargo, el futuro pertenece a servicios de aprendizaje automático fáciles de usar, fáciles de integrar, más rápidos de implementar, adaptables y escalables a la perfección que realizarán su verdadero potencial en manos de desarrolladores creativos y talentosos que desarrollarán aplicaciones y productos inteligentes innovadores que aprovecharán el aprendizaje automático. como una PARTE INTEGRAL de la experiencia del usuario final. BigML seguirá innovando para satisfacer mejor esta necesidad desatendida del mercado.
