Search for a command to run...
Articles tagged with #dmls
不同于 Chapter03 从系统的角度来处理数据，这一章从数据科学的视角来处理数据。这章的标题是“training Data”，而非“training dataset”，因为 数据集(dataset) 意味着有限(finite)和固定(stationary), 而现实生产环境中的 数据(data) 通常是 无限 并且 不固定 的。 抽样 抽样方法在 ML 项目的生命周期中无处不在，在这一节中，我们使用生成训练数据作为例子。 那为什么需要抽样？直接使用全部数据不可以吗？ 首先，在现实世界中，并不...
这一章大部分内容和DDIA很相似，作者也说 “If you’re already familiar with data systems, you might want to move directly to Chapter 4 to learn more about how to sample and generate labels to create training data. If you want to learn more about data engineering from a...
业务和机器学习目标 对于大多数的算法/开发工程师，大部分关注机器学习模型的指标: 准确率, F1 score, 推理时耗等等，并且热衷于使用大量的资源(数据，计算量，开发时间)来获得微小的提升。 然而对于大部分的公司，并不关心以上的机器学习指标，诺贝尔奖获得者 Milton Friedman 指出，大部分公司的关心的是“能否提升股东们的收益”。 任何业务的终极目标都是这个，提升用户满意度，增加用户市场，提升点击率等等目标，都直接或者间接和它相关。 对于一个在商业组织成功的机器学习模型，如果想要...
