Outils pour les concurrents dans les compétitions d'apprentissage automatique

Les compétitions d'apprentissage automatique sont un phénomène relativement nouveau.

Il est apparu à la suite du développement des technologies d'intelligence artificielle.

En ce moment, il se développe activement et attire de nombreuses personnes intéressées.

Avantages pour les organisateurs de la compétition:

• Un grand nombre de personnes qualifiées qui travaillent sur leur tâche et tentent de la résoudre mieux que d'autres
• Coûts financiers relativement faibles (par rapport à l'embauche de spécialistes)
• La solution au problème, la plus haute qualité et la plus adaptée

Et les concurrents bénéficient également:

• Reconnaissance publique des hautes qualifications
• Prix ​​en espèces
• Et juste le plaisir de participer et de gagner

Dans cet article, je souhaite examiner plusieurs outils qui peuvent aider les participants à mieux organiser le processus, à augmenter leurs chances de gagner et, en général, à devenir un spécialiste plus qualifié.

Commençons!

Déterminé

Une plateforme de formation de modèles d'apprentissage profond.

• Formation accélérée des modèles à l'aide de la formation distribuée de pointe, sans changer le code du modèle
• Recherche automatique de modèles de haute qualité, avec des paramètres avancés d'hyper-paramètres - par les créateurs d'Hyperband
• Planification intelligente de vos GPU et réduction des coûts de GPU cloud avec des instances préemptives
• , , , -
• DL-
• ,

Compose

.

• ,
• Featurepools
• EvalML

Featuretools

.

EvalML

AutoML , .

• Featuretools Compose end-to-end ML-

Pandas Profiling

DataFrame Pandas.

• df.describe() — df.profile_report()
• HTML-
• :
• : , ,
• : , Q1, , Q3, , ,
• : , , , , , , ,
• : ,
• : ,
• : ( , ), (, ) (ASCII)
• : , , , EXIF

Tpot

, .

• , ,
• Python
• Scikit-learn

Shap

- ML-.

Feature-engine

ML-.

• ,
• , , , , ,

Lale

-.

• ,
• —
• — JSON -
• —

Biome

.

• — , ; ; ;
• — , ; (, , , , , ), (PDF, Word, Excel, HTML, E-mail ); , ; , ,
• — , ;

DataSketch

.

PyTextRank

.

• ( , )
• ( )

Joblib

.

• —
• Pickle ,

Shampoo

.

• ,
• , ,

Michelangelo

Uber.

• API

Hasty.ai

.

Cortex

.

• API

Weights & Biases

.

• -
• —
• -
• —
• —

SpeedRun

ML-.

• Weights & Biases
• - Weights & Biases
• ,
• matplotlib

Great Expectations

— , .

Keras Tuner

-.

NanoEdge AI Studio

AI-, MCU C .

• MCU C
• Arm Cortex-M
• (1-20kB RAM/Flash)
• (1-20ms M4 80MHz)
• AI
• C
• , MCU
• ML

LabelBox

End-to-end .

• API (Python, GraphQL) SDK
• : ,
• : , 30 FPS ,
• : , ,
• API

LabelML

ML- .

• (2 )
• , -s, -
• Tensorboard
• API

PyCaret

Low-code ML-.

• —
• -
• ( 60 )
• ( , , , - )

CometML

• , ,
• — , -, , , ,
• — , ,

ClearML

ML- (MLOps).

• ,
• — , , , , ,
• GPU/CPU ,
• — ; ; ,

, , ,

.

Bien sûr, il ne suffit pas de décrire les outils pour toujours gagner.

Le succès dépend de nombreux autres facteurs - savoir où et quand utiliser un outil particulier ou non, quelles sont les limites, comment les outils peuvent être combinés, etc. etc.

J'espère que cet article vous sera néanmoins utile et que votre participation au concours deviendra plus fructueuse et efficace.

Envie de victoires!