Zobacz, jak przekuć teorię Machine Learning w innowacyjne zastosowania.
W tym wpisie przedstawiam analizę określenia “sztuczna inteligencja”. Podam argumenty za tym, że nie jest to poprawne ani właściwe określenie. Zaproponuję alternatywne określenia i wyjaśnię, dlaczego są lepsze. Przy okazji podam moje stanowisko dotyczące często pojawiających się wątpliwości, takich jak czy algorytmy mogą mieć świadomość lub rozumienie. Wstęp Określenie “sztuczna inteligencja” (ang. artificial intelligence) pojawiło się …
Dzisiaj podzielę się z Tobą najlepszymi sposobami na znalezienie pierwszej pracy w Data Science. Poznałem je w ciągu 9 lat doświadczenia w tej branży. Zakładam, że masz już za sobą zdobycie podstawowych umiejętności (możesz o nich poczytać tutaj) i uznałeś, że jest to dobry moment, by wyruszyć na rynek pracy. Zatem do dzieła! Znajdź swoją motywację …
Dziś omówię często niedoceniany temat w procesie budowy modelu uczenia maszynowego, jakim jest zaawansowana inżynieria cech (feature engineering). Na pewno wielu z nas słyszało o tym pojęciu. Jest ono zwykle omawiane podczas studiów lub popularnych kursów. Jednak z mojego doświadczenia wynika, że kiedy tworzymy praktyczne projekty ML, to często nie poświęcamy należytej uwagi odpowiedniemu przygotowaniu …
Dzisiejszy wpis kieruję do tych, którzy chcą zacząć swoją przygodę z Data Science lub rozważają taką możliwość. Powiem Ci w nim: Czym jest praca w Data Science? Przez Data Science (stanowisko nazywane Data Scientist) rozumiem budowanie różnego rodzaju modeli na danych. W przeciwieństwie do stanowiska Analityka Danych, tutaj nie tylko wykorzystujemy narzędzia do prostych analiz …
Wdrażanie modeli Machine Learning w środowisku produkcyjnym to duże wyzwanie, wymagające często niemniejszych wysiłków niż samo wytrenowanie modelu. W tym wpisie omówię jeden z kilku kluczowych aspektów, o który trzeba zadbać, a którym jest logowanie wszystich koniecznych informacji po wdrożeniu modelu. Kiedy jesteśmy na etapie eksperymentów laboratoryjnych (tzw. offline), zwykle nie zastanawiamy się nad tym, …
Wprowadzenie Dziś zajmiemy się tematem zbierania danych. Jest to ważny element w pracy analityka danych, czy Machine Learning Engineera. Od tego, jakie i ile danych zbierzemy nie tylko zależy to, jakie modele będziemy w stanie wytrenować, ale przede wszystkim poprawność i użyteczność całego rozwiązania. Dlatego warto temu tematowi poświęcić odpowiednio dużo uwagi. Jak do tego …
Dziś chciałbym przedstawić Ci proces planowania projektów Machine Learning. Taki jaki stosujemy w mojej firmie COGITA. Jeśli jesteś zaangażowany projekty ML – czy to jako analityk, czy jako Data Scientist, to z pewnością albo bierzesz udział w tym procesie, albo w bliski sposób korzystasz z jego efektów. Dlatego zostań do końca tego artykułu, a na …
Dzisiaj przedstawię pewne podejście do projektów Machine Learning, które pozwoli Ci znacznie zwiększyć efektywność Twojej pracy. Chodzi o uświadomienie sobie trzech czynników, z których składają się prace w każdym projekcie. Są to: Zauważmy, że te czynniki są ze sobą ściśle związane: jeśli zwiększamy zakres projektu lub chcemy podnieść jakość wykonywanych prac, to rośnie czas potrzebny …
Wstęp Dziś wpis będzie mniej techniczny, a bardziej filozoficzny. Od kilku miesięcy temperatura dyskusji nad rozwojem i przyszłością sztucznej inteligencji bije kolejne rekordy i nic nie zapowiada jak na razie, by miała zacząć spadać. Mamy lato AI w pełni. Chciałbym w tym blogu zebrać moje aktualne przemyślenia na temat tego, z czym mamy do czynienia …
Czy zastanawiasz się czasami, jak działają algorytmy, które wybierają dla Ciebie wyświetlaną reklamę? Albo dlaczego w mediach społecznościowych dostajesz akurat takie posty? Za te zadania odpowiadają systemy rekomendacyjne. W COGITA, firmie którą zarządzam, budowanie takich systemów to nasza specjalność. Dziś chciałbym Ci przekazać część naszej wiedzy, dzięki której jesteśmy w tym tak skuteczni. Podzielę się …
W literaturze z Data Science możemy znaleźć sporo artykułów, które opisują, jak z technicznego punktu widzenia robić eksploracyjną analizę danych (EDA). Zwykle jednak brakuje informacji, skąd brać inspiracje do stawiania hipotez w takiej EDA. Dlatego w tym wpisie chciałbym się podzielić przemyśleniami, jak można podejść do szukania takich inspiracji. Jak zwykle, będę w znacznej mierze …
Ten wpis to trzeci i ostatni z serii wpisów o A/B testach. Pozostałe to: Tutaj przedstawię Ci typowe błędy, z jakimi zmagają się nie tylko niedoświadczeni, ale nawet zaawansowani inżynierowie ML. Zazwyczaj w przeprowadzenie A/B testów zaangażowanych jest więcej osób. ML inżynierowie / analitycy danych, ale także osoby odpowiadające za wdrożenie lub działanie danego elementu …
Ten wpis to drugi z serii trzech wpisów o A/B testach. Pozostałe to: Tutaj przedstawię Ci najczęstsze problemy, z jakimi spotkałem się, przeprowadzając rzeczywiste A/B testy oraz sposoby, które mam, żeby sobie z nimi poradzić. 1. Uzyskanie dwóch identycznych grup do testów Jak pisałem w poprzednim artykule, jeśli nasz model ML optymalizuje jakąś większą całość …
Jeśli zajmujesz się dziedziną uczenia maszynowego, na pewno słyszałeś o testach A/B. Jest to najlepszy i najbardziej wiarygodny eksperyment, jaki możemy przeprowadzić, żeby potwierdzić dobre działanie naszego modelu. W tym wpisie powiem więcej, co to są A/B testy i z czego się składają. Jest to pierwszy z serii trzech wpisów w tym temacie. Kolejne to: …
Model benchmarkowy ogólnie to model, który jest używany do porównania wydajności innych modeli. Może to być model dotychczas najlepszy na danym zbiorze i celem jest pobicie jego wyników przez autorów nowej architektury. Jednak w tym artykule mam na myśli prosty model, który sam tworzysz, zaczynając pracę nad nowym projektem, który będzie punktem odniesienia przy dalszych …
Dzisiaj przedstawię, jak w prosty i szybki sposób można przeanalizować (niemal) dowolne dane tabelaryczne za pomocą Jupyter notebooka i biblioteki Pandas profiling w Pythonie. Niezależnie, co jest celem naszej predykcji, przed zbudowaniem jakiegokolwiek modelu Machine Learning potrzebujemy przeanalizować dane. Załóżmy, że mamy dane w postaci tabelarycznej w jednej tabeli, gdzie w wierszach są poszczególne elementy …
Pracując od kilku lat przy różnych projektach Machine Learning, zacząłem budować “ściągę” z różnymi komendami. Większość z nich stosuje się na tyle rzadko, że trudno jest je zapamiętać. Z drugiej strony, kiedy jej nie miałem, łapałem się, że wielokrotnie wyszukuję te same rzeczy na Stacku. Chciałbym się podzielić z Tobą fragmentem mojej ściągi – może …
Dlaczego dbanie o interpretowalność modelu jest tak ważne?Przedstawię dziś 6 powodów, z których część może Cię zaskoczyć. 1. Zaufanie do modelu i pewność, że robi on to, co miał robić. Pierwszym krokiem oceny jakości modelu jest odpowiednio zdefiniowana metryka (np. accuracy, F1 czy MAPE).Jednak metryka może być obliczona w niewłaściwy sposób lub może być nieinformatywna.Dlatego …