Google Cloud Machine Learning/AI платформ дээр Fashion-MNIST датасетийг хэрхэн ашиглах вэ?
Fashion-MNIST нь 60,000 жишээ бүхий сургалтын багц, 10,000 жишээний тестийн багцаас бүрдэх Заландогийн нийтлэлийн зургийн мэдээллийн багц юм. Жишээ болгон нь 28 ангийн шошготой холбоотой 28×10 саарал өнгийн зураг юм. Мэдээллийн багц нь машин сургалтын алгоритмуудыг харьцуулах зорилгоор MNIST-ийн анхны мэдээллийн багцыг шууд орлуулах үүрэг гүйцэтгэдэг.
Ангилагч гэж юу вэ?
Машин сургалтын хүрээнд ангилагч нь тухайн оролтын өгөгдлийн цэгийн ангилал эсвэл ангиллыг урьдчилан таамаглахад сургагдсан загвар юм. Энэ нь алгоритм нь хаяглагдсан сургалтын өгөгдлөөс суралцаж, үл үзэгдэх өгөгдөл дээр таамаглал дэвшүүлдэг хяналттай сургалтын үндсэн ойлголт юм. Ангилагчийг янз бүрийн хэрэглээнд өргөн ашигладаг
- онд хэвлэгдсэн Хиймэл оюун, EITC/AI/GCML Google Cloud Machine Learning, Машины сургалтын эхний алхамууд, Масштабтай сервергүй таамаглал
TensorBoard-г онлайнаар ашиглаж болох уу?
Тийм ээ, TensorBoard-ийг онлайнаар машин сургалтын загваруудыг дүрслэн харуулах боломжтой. TensorBoard нь Google-ийн хөгжүүлсэн нээлттэй эхийн машин сургалтын алдартай систем болох TensorFlow-тэй хамт ирдэг хүчирхэг дүрслэл хэрэгсэл юм. Энэ нь танд загвар график, сургалтын хэмжүүр, суулгац зэрэг машин сургалтын загварынхаа янз бүрийн талыг хянах, дүрслэх боломжийг олгодог. Эдгээрийг дүрслэн харуулах замаар
- онд хэвлэгдсэн Хиймэл оюун, EITC/AI/GCML Google Cloud Machine Learning, Машины сургалтын эхний алхамууд, Загварыг дүрслэхэд зориулсан TensorBoard
Сургалтад хэдэн машин ашиглахыг тодорхойлохын тулд тархсан ML загварын сургалтыг ашиглахдаа CMLE загварыг байршуулах тохиргооны файлыг ашиглаж болох уу?
Google Cloud AI платформ дээр тархсан машин сургалтын (ML) загварын сургалтыг ашиглахдаа та сургалтанд ашигласан машинуудын тоог тодорхойлохын тулд CMLE (Cloud Machine Learning Engine) загварын байршуулалтын тохиргооны файлыг ашиглаж болно. Гэхдээ ямар төрлийн машин ашиглахыг шууд тодорхойлох боломжгүй. онд
- онд хэвлэгдсэн Хиймэл оюун, EITC/AI/GCML Google Cloud Machine Learning, Google Cloud AI платформ, Cloud AI платформ дээрх захиалгат савтай сургалтын загварууд
TFX дахь Pusher бүрэлдэхүүн хэсгийн байршуулалтын зорилтууд юу вэ?
TensorFlow Extended (TFX) дахь Pusher бүрэлдэхүүн хэсэг нь TFX дамжуулах хоолойн үндсэн хэсэг бөгөөд бэлтгэгдсэн загваруудыг янз бүрийн зорилтот орчинд байрлуулах ажлыг зохицуулдаг. TFX дахь Pusher бүрэлдэхүүн хэсгийн байршуулалтын зорилтууд нь олон янзын бөгөөд уян хатан байдаг тул хэрэглэгчид өөрсдийн шаардлагаас хамааран өөр өөр платформ дээр загвараа байрлуулах боломжийг олгодог. Энэ нь
- онд хэвлэгдсэн Хиймэл оюун, EITC/AI/TFF TensorFlow Fundamentals, TensorFlow Өргөтгөсөн (TFX), Тархсан боловсруулалт ба бүрэлдэхүүн хэсэг, Шалгалтын тойм
AutoML Translation-ээр бэлтгэгдсэн захиалгат орчуулгын загварын гүйцэтгэлийг үнэлэхийн тулд BLEU оноог хэрхэн ашиглаж болох вэ?
BLEU оноо нь машин орчуулгын загваруудын гүйцэтгэлийг үнэлэхэд өргөн хэрэглэгддэг хэмжүүр юм. Энэ нь машинаар үүсгэсэн орчуулга болон нэг буюу хэд хэдэн лавлагааны орчуулгын ижил төстэй байдлыг хэмждэг. AutoML Translation-ээр бэлтгэгдсэн орчуулгын захиалгат загварын хүрээнд BLEU оноо нь орчуулгын чанар, үр дүнтэй байдлын талаар үнэ цэнэтэй ойлголтыг өгч чадна.
- онд хэвлэгдсэн Хиймэл оюун, EITC/AI/GCML Google Cloud Machine Learning, Google Cloud AI платформ, AutoML орчуулга, Шалгалтын тойм
AutoML Translation ашиглан захиалгат орчуулгын загварыг бий болгоход ямар алхамууд ордог вэ?
AutoML Translation ашиглан орчуулгын захиалгат загварыг бий болгох нь хэрэглэгчдэд өөрсдийн орчуулгын хэрэгцээнд тусгайлан тохирсон загварыг сургах боломжийг олгодог хэд хэдэн алхмуудыг агуулдаг. AutoML Translation нь Google Cloud AI платформоос олгодог хүчирхэг хэрэгсэл бөгөөд өндөр чанартай орчуулгын загвар бүтээх үйл явцыг автоматжуулахын тулд машин сургалтын техникийг ашигладаг. Энэ хариултанд,
- онд хэвлэгдсэн Хиймэл оюун, EITC/AI/GCML Google Cloud Machine Learning, Google Cloud AI платформ, AutoML орчуулга, Шалгалтын тойм
Translation API дахь Нарийвчилсан толь бичгийн зорилго нь юу вэ?
Google Cloud AI платформын Орчуулгын API дахь Нарийвчилсан тайлбар толь функц нь машин орчуулгын үр дүнгийн нарийвчлал, чанарыг сайжруулахад чухал үүрэг гүйцэтгэдэг. Энэ функц нь хэрэглэгчдэд өөрсдийн домэйн эсвэл салбарын онцлогт тохирсон нэр томьёоны тайлбар толь бичгийг өгөх боломжийг олгож, орчуулгын загварт эдгээр нэр томъёог илүү сайн ойлгож, орчуулах боломжийг олгодог.
- онд хэвлэгдсэн Хиймэл оюун, EITC/AI/GCML Google Cloud Machine Learning, Google Cloud AI платформ, Орчуулгын API, Шалгалтын тойм
Тогтвортой диск дээрх блокийн хэмжээг сонгох нь янз бүрийн хэрэглээний тохиолдолд түүний гүйцэтгэлд хэрхэн нөлөөлдөг вэ?
Тогтвортой диск дээрх блокийн хэмжээг сонгох нь Google Cloud Machine Learning (ML) болон Google Cloud AI платформыг үр дүнтэй мэдээллийн шинжлэх ухаанд ашиглах үед хиймэл оюун ухааны (AI) салбарт янз бүрийн хэрэглээний тохиолдолд түүний гүйцэтгэлд ихээхэн нөлөөлдөг. Блокийн хэмжээ нь өгөгдөл хадгалагдаж буй тогтмол хэмжээтэй хэсгүүдийг хэлнэ
- онд хэвлэгдсэн Хиймэл оюун, EITC/AI/GCML Google Cloud Machine Learning, Google Cloud AI платформ, Үр өгөөжтэй шинжлэх ухааны байнгын диск, Шалгалтын тойм
AI платформын сургалтын AI Platform Optimizer болон HyperTune хоёрын ялгаа нь юу вэ?
AI Platform Optimizer болон HyperTune нь Google Cloud AI платформоос машин сургалтын загваруудын сургалтыг оновчтой болгох зорилгоор санал болгодог хоёр ялгаатай онцлог юм. Аль аль нь загварын гүйцэтгэлийг сайжруулах зорилготой ч гэсэн арга барил, үйл ажиллагааны хувьд ялгаатай. AI Platform Optimizer нь хамгийн сайн багцыг олохын тулд гиперпараметрийн орон зайг автоматаар судалдаг онцлог юм
- онд хэвлэгдсэн Хиймэл оюун, EITC/AI/GCML Google Cloud Machine Learning, Google Cloud AI платформ, AI платформ оновчлогч, Шалгалтын тойм