MLOps における機械学習モデルモニタリングについて - Qiita
MLOps（Machine Learning Operations）とは、機械学習モデルのライフサイクル全体を管理するためのフレームワークです。これには、モデルのトレーニング、テスト、デプロイ、モニタリング、および改善が含まれます。 モデルモニタリングとは、機械学習モデルが適切に動作しているかどうかを監視することを指します。これは、モデルが予測の精度を維持しているか、データの特性が変化していないか、そしてその他の問題が発生していないかを確認するために行われます。 モデルモニタリングには、様々な手法があります。例えば、モデルの予測と実際の値を比較することで、モデルの精度を測定することができます。また、モデルの出力として得られる統計量を定期的に収集し、モデルの精度が変化していないかを確認することもできます。 また、モデルのモニタリングは、データの特性が変化していないかを確認するためにも役立ちま
【Deep Learning】過学習とDropoutについて - sonickun.log
前回、Deep Learningを用いてCIFAR-10の画像を識別しました。今回は機械学習において重要な問題である過学習と、その対策について取り上げます。 sonickun.hatenablog.com 過学習について 過学習（Overfitting）とは、機械学習において、訓練データに対して学習されているが、未知のデータに対して適合できていない（汎化できていない）状態を指します。たとえ訓練データに対する精度が100%近くに達したとしても、テストデータに対する精度が高くならなければ、それは良い学習とはいえません。特にニューラルネットは複雑なモデルのため過学習に陥りやすいと言われています。 過学習の例 過学習の例として、最小二乗法による多項式近似を用いてサインカーブ（＋標準偏差0.3の乱数）を推測してみます。 参考：最小二乗法のロバスト推定についてまとめた - sonickun.log 下
Google Cloud Next '17 in Tokyo の機械学習系セッション聴講メモ（Day 1） #googlenext17 - べにやまぶろぐ
ザ・プリンス パークタワー東京で開催中の Google Cloud Next '17 in Tokyo に参加しています。 cloudnext.withgoogle.com 今回は機械学習周りのセッションを集中して選んでみましたのでそのメモです（裏番組になっていて残念ながら聴講できなかったセッションも多数）。ほとんど殴り書き＆一部不確かな記述があるかもしれませんがご容赦ください。 事例から学ぶ機械学習のいま ～ 専門家不要、自社独自の機械学習サービスを構築できる MAGELLAN BLOCKS の事例を元に、その方法と今起きている変革をご紹介します。 URL : Google Cloud Next | October 11-13, 2022 機械学習サービスを作るためには業務知識と機械学習の知識が必要 専門家に頼むと精度が出てもその後どうしたら良いかよくわからない 人の考えるをもっと自由に
Kerasで多変量LSTM - Qiita
単変量の時系列はkerasでもよく見るのですが、株価や売上などを予測する時などには複数の要因が関わってきますので、今回は複数の時系列データを使って予測してみました。 ソースの紹介 コード 「MACHINE LEARNING MASTERY」で紹介されているコードを基本に、多変量対応にしました。 Time Series Prediction with LSTM Recurrent Neural Networks in Python with Keras jupyterで見れるコードの全貌はこちら https://github.com/tizuo/keras/blob/master/LSTM%20with%20multi%20variables.ipynb データ サンプルデータは以下から拝借しました。一番左のice_salesを予測します。 アイスクリームの売れ方 ice_sales yea
【機械学習】Stanford University Machine Learning / Week1【学習メモ】
0.何の学習メモ？ ・スタンフォード大学がCourseraをプラットフォームにして提供している機械学習のコース(詳しくはここ)の学習メモ ・学習メモだけあって雑然としてます I.イントロ 機械学習の定義 Tom Mitchell (1998) Well-posed Learning Problem: 良設定学習問題 A computer program is said to learn from experience E with respect to some task T and some performance measure P, if its performance on T, as measured by P, improves with experience E. そのコンピュータープログラムは、いくつかのタスクTといくつかのパフォーマンス評価Pに関連する経験Eから学ぶ、と言
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
