Apache Mahout
Mahout je projekt zameraný na matematické výpočty a škálovateľné metódy strojového učenia. Pri existujúcom riešení treba zistiť použitý modul a výpočtové prostredie.
Príklad z pracovného postupu
Pri štatistike spoluvýskytu produktov sa rozhoduje, či riadok predstavuje nákup, zákazníka alebo mesiac. Rovnaká matica s odlišnou interpretáciou môže viesť k iným odporúčaniam. Technický výpočet porovnáme s významom obchodnej otázky.
Ako výsledok overiť
Porovnáme numerický výsledok s menším referenčným výpočtom a až potom zväčšíme rozsah.
Reprodukovateľnosť výpočtu
Verzia knižnice, predspracovanie a poradie vstupných atribútov sú súčasťou správania výsledného výpočtu. Na opätovné použitie preto uchovávame aj schému, jednotky a malú sadu overených vstupov s očakávanými výstupmi.
Pri prenose medzi prostrediami zohľadníme rozdiely numerických typov a toleranciu vhodnú pre konkrétnu úlohu. Ak malá zmena čísla preklopí rozhodnutie na druhej strane prahu, praktický dopad môže byť významný aj pri malej priemernej chybe.
Porovnanie odporúčaní závisí od toho, čo pokladáme za používateľovu voľbu
Historický prehliadaný produkt, pridanie do košíka a dokončený nákup predstavujú rozdielne signály záujmu. Ak starší postup v Mahoute mapuje každý rovnako, najčastejšie prehliadaný variant môže zatlačiť tovar, ktorý používatelia skutočne vyberajú. Pred úpravou obnovíme význam a pôvod vstupných udalostí.
Pri porovnaní použijeme aj zákazníka bez histórie a výrobok uvedený až po tréningu. Výsledok ukáže rozsah použiteľnosti pôvodného postupu a situácie, pre ktoré treba pripraviť odlišný spôsob výberu.
Otázky z praxe
Ako určiť správnu jednotku v matici pre odporúčania?
Najprv stanovíme, či riadok predstavuje zákazníka, jednotlivú objednávku alebo konkrétnu prevádzku a obdobie. Spoločný výskyt dvoch výrobkov má v každej z týchto podôb iný význam. Výpočet overíme na malej ručne vysvetliteľnej matici pred tým, ako ho budeme škálovať.
Kedy je problém vo výpočte a kedy v príprave riedkych dát?
Meranie rozdelíme na mapovanie identifikátorov, vytvorenie matematickej reprezentácie, samotné operácie a prenos výsledkov. Pri mnohých chýbajúcich hodnotách sledujeme, či sa nuly nemusia zbytočne materializovať. Rovnaké matematické zadanie môže mať veľmi odlišné pamäťové nároky podľa zvolenej reprezentácie.
Čo si vyžiadať pri preberaní dávneho projektu s Mahoutom?
Identifikujeme konkrétny modul, verziu, výpočtový backend a formát uložených údajov. Značka projektu sama nepreukazuje kompatibilitu starého postupu s dnešnými komponentmi. Ak sú zachované referenčné výsledky, použijeme ich na kontrolu vstupov, výpočtu aj poradia odporúčaní pri prípadnom prenose.
Súvisiace stránky
-
Apache MXNet
MXNet spracúval neurónové siete pomocou tensorových operácií a výpočtových grafov.
Otvoriť -
Caffe
Caffe opisuje architektúru siete pomocou vrstiev a oddeľuje jej definíciu od naučených váh.
Otvoriť -
Strojové učenie
Model strojového učenia môže triediť doklady alebo správy. Na označenej vzorke porovnáme chyby s ručným postupom a nastavíme, ktoré prípady preverí človek.
Otvoriť