ਐਨਸੈਂਬਲ ਲਰਨਿੰਗ ਦਾ ਜਾਦੂ

ਹੇ ਹਬਰ! ਅਸੀਂ ਡਾਟਾ ਇੰਜੀਨੀਅਰਾਂ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਹਿਰਾਂ ਨੂੰ ਮੁਫ਼ਤ ਡੈਮੋ ਪਾਠ ਲਈ ਸੱਦਾ ਦਿੰਦੇ ਹਾਂ "ਔਨਲਾਈਨ ਸਿਫ਼ਾਰਸ਼ਾਂ ਦੀ ਉਦਾਹਰਣ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਇੱਕ ਉਦਯੋਗਿਕ ਵਾਤਾਵਰਣ ਵਿੱਚ ML ਮਾਡਲਾਂ ਦਾ ਆਉਟਪੁੱਟ". ਅਸੀਂ ਲੇਖ ਲੂਕਾ ਮੋਨੋ - CDP SPA ਵਿਖੇ ਵਿੱਤੀ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਮੁਖੀ ਨੂੰ ਵੀ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰਦੇ ਹਾਂ।

ਸਭ ਤੋਂ ਲਾਭਦਾਇਕ ਅਤੇ ਸਧਾਰਨ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਵਿਧੀਆਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ Ensemble Learning. Ensemble Learning XGBoost, Bagging, Random Forest ਅਤੇ ਕਈ ਹੋਰ ਐਲਗੋਰਿਦਮ ਦੇ ਪਿੱਛੇ ਵਿਧੀ ਹੈ।

ਟੂਵਾਰਡ ਡੇਟਾ ਸਾਇੰਸ 'ਤੇ ਬਹੁਤ ਸਾਰੇ ਵਧੀਆ ਲੇਖ ਹਨ, ਪਰ ਮੈਂ ਦੋ ਕਹਾਣੀਆਂ ਚੁਣੀਆਂ (ਪਹਿਲਾ и ਦੂਜਾ) ਜੋ ਮੈਨੂੰ ਸਭ ਤੋਂ ਵੱਧ ਪਸੰਦ ਆਇਆ। ਤਾਂ EL ਬਾਰੇ ਇਕ ਹੋਰ ਲੇਖ ਕਿਉਂ ਲਿਖੋ? ਕਿਉਂਕਿ ਮੈਂ ਤੁਹਾਨੂੰ ਦਿਖਾਉਣਾ ਚਾਹੁੰਦਾ ਹਾਂ ਇਹ ਇੱਕ ਸਧਾਰਨ ਉਦਾਹਰਣ ਨਾਲ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ, ਜਿਸ ਨੇ ਮੈਨੂੰ ਸਮਝਾਇਆ ਕਿ ਇੱਥੇ ਕੋਈ ਜਾਦੂ ਨਹੀਂ ਹੈ।

ਜਦੋਂ ਮੈਂ ਪਹਿਲੀ ਵਾਰ EL ਨੂੰ ਐਕਸ਼ਨ ਵਿੱਚ ਦੇਖਿਆ (ਕੁਝ ਬਹੁਤ ਹੀ ਸਧਾਰਨ ਰੀਗਰੈਸ਼ਨ ਮਾਡਲਾਂ ਨਾਲ ਕੰਮ ਕਰਦੇ ਹੋਏ) ਮੈਂ ਆਪਣੀਆਂ ਅੱਖਾਂ 'ਤੇ ਵਿਸ਼ਵਾਸ ਨਹੀਂ ਕਰ ਸਕਿਆ, ਅਤੇ ਮੈਨੂੰ ਅਜੇ ਵੀ ਉਹ ਪ੍ਰੋਫੈਸਰ ਯਾਦ ਹੈ ਜਿਸ ਨੇ ਮੈਨੂੰ ਇਹ ਤਰੀਕਾ ਸਿਖਾਇਆ ਸੀ।

ਮੇਰੇ ਕੋਲ ਮੈਟ੍ਰਿਕਸ ਦੇ ਨਾਲ ਦੋ ਵੱਖ-ਵੱਖ ਮਾਡਲ (ਦੋ ਕਮਜ਼ੋਰ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ) ਸਨ ਨਮੂਨੇ ਤੋਂ ਬਾਹਰ R² ਕ੍ਰਮਵਾਰ 0,90 ਅਤੇ 0,93 ਦੇ ਬਰਾਬਰ। ਨਤੀਜਾ ਦੇਖਣ ਤੋਂ ਪਹਿਲਾਂ, ਮੈਂ ਸੋਚਿਆ ਕਿ ਮੈਨੂੰ ਦੋ ਮੂਲ ਮੁੱਲਾਂ ਦੇ ਵਿਚਕਾਰ ਕਿਤੇ ਇੱਕ R² ਮਿਲੇਗਾ। ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਮੇਰਾ ਮੰਨਣਾ ਹੈ ਕਿ EL ਦੀ ਵਰਤੋਂ ਇੱਕ ਮਾਡਲ ਨੂੰ ਸਭ ਤੋਂ ਮਾੜੇ ਮਾਡਲ ਦੇ ਰੂਪ ਵਿੱਚ ਮਾੜਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਲਈ ਨਹੀਂ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਪਰ ਇਸ ਦੇ ਨਾਲ-ਨਾਲ ਵਧੀਆ ਮਾਡਲ ਪ੍ਰਦਰਸ਼ਨ ਕਰ ਸਕਦਾ ਹੈ।

ਮੇਰੇ ਬਹੁਤ ਹੈਰਾਨੀ ਦੀ ਗੱਲ ਹੈ, ਸਿਰਫ਼ ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਦੀ ਔਸਤ ਨਾਲ 0,95 ਦਾ ਇੱਕ R² ਪ੍ਰਾਪਤ ਹੋਇਆ। 

ਪਹਿਲਾਂ ਤਾਂ ਮੈਂ ਗਲਤੀ ਲੱਭਣੀ ਸ਼ੁਰੂ ਕੀਤੀ, ਪਰ ਫਿਰ ਮੈਂ ਸੋਚਿਆ ਕਿ ਇੱਥੇ ਕੋਈ ਜਾਦੂ ਛੁਪਿਆ ਹੋ ਸਕਦਾ ਹੈ!

ਐਨਸੈਂਬਲ ਲਰਨਿੰਗ ਕੀ ਹੈ

EL ਦੇ ਨਾਲ, ਤੁਸੀਂ ਇੱਕ ਵਧੇਰੇ ਭਰੋਸੇਮੰਦ ਅਤੇ ਪ੍ਰਦਰਸ਼ਨਕਾਰੀ ਮਾਡਲ ਬਣਾਉਣ ਲਈ ਦੋ ਜਾਂ ਦੋ ਤੋਂ ਵੱਧ ਮਾਡਲਾਂ ਦੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਨੂੰ ਜੋੜ ਸਕਦੇ ਹੋ। ਮਾਡਲ ensembles ਨਾਲ ਕੰਮ ਕਰਨ ਲਈ ਬਹੁਤ ਸਾਰੇ ਢੰਗ ਹਨ. ਇੱਥੇ ਮੈਂ ਇੱਕ ਸੰਖੇਪ ਜਾਣਕਾਰੀ ਦੇਣ ਲਈ ਦੋ ਸਭ ਤੋਂ ਲਾਭਦਾਇਕ ਲੋਕਾਂ ਨੂੰ ਛੂਹਾਂਗਾ।

ਦੀ ਸਹਾਇਤਾ ਨਾਲ ਰਿਗਰੈਸ਼ਨ ਉਪਲਬਧ ਮਾਡਲਾਂ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਔਸਤ ਕਰਨਾ ਸੰਭਵ ਹੈ।

ਦੀ ਸਹਾਇਤਾ ਨਾਲ ਵਰਗੀਕਰਨ ਤੁਸੀਂ ਮਾਡਲਾਂ ਨੂੰ ਲੇਬਲ ਚੁਣਨ ਦਾ ਮੌਕਾ ਦੇ ਸਕਦੇ ਹੋ। ਲੇਬਲ ਜੋ ਸਭ ਤੋਂ ਵੱਧ ਚੁਣਿਆ ਗਿਆ ਸੀ ਉਹ ਹੈ ਜੋ ਨਵੇਂ ਮਾਡਲ ਦੁਆਰਾ ਚੁਣਿਆ ਜਾਵੇਗਾ।

EL ਬਿਹਤਰ ਕੰਮ ਕਿਉਂ ਕਰਦਾ ਹੈ

EL ਦੇ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਮੁੱਖ ਕਾਰਨ ਇਹ ਹੈ ਕਿ ਹਰ ਪੂਰਵ-ਅਨੁਮਾਨ ਵਿੱਚ ਇੱਕ ਗਲਤੀ ਹੁੰਦੀ ਹੈ (ਅਸੀਂ ਇਸਨੂੰ ਸੰਭਾਵੀ ਸਿਧਾਂਤ ਤੋਂ ਜਾਣਦੇ ਹਾਂ), ਦੋ ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਨੂੰ ਜੋੜਨਾ ਗਲਤੀ ਨੂੰ ਘਟਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ, ਅਤੇ ਇਸਲਈ ਪ੍ਰਦਰਸ਼ਨ ਮੈਟ੍ਰਿਕਸ (RMSE, R², ਆਦਿ) ਵਿੱਚ ਸੁਧਾਰ ਕਰ ਸਕਦਾ ਹੈ।

ਹੇਠਾਂ ਦਿੱਤਾ ਚਿੱਤਰ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਕਿਵੇਂ ਦੋ ਕਮਜ਼ੋਰ ਐਲਗੋਰਿਦਮ ਇੱਕ ਡੇਟਾ ਸੈੱਟ ਉੱਤੇ ਕੰਮ ਕਰਦੇ ਹਨ। ਪਹਿਲੇ ਐਲਗੋਰਿਦਮ ਵਿੱਚ ਲੋੜ ਨਾਲੋਂ ਵੱਡੀ ਢਲਾਨ ਹੈ, ਜਦੋਂ ਕਿ ਦੂਜੇ ਵਿੱਚ ਲਗਭਗ ਜ਼ੀਰੋ ਹੈ (ਸੰਭਵ ਤੌਰ 'ਤੇ ਓਵਰ-ਰੈਗੂਲਰਾਈਜ਼ੇਸ਼ਨ ਕਾਰਨ)। ਪਰ ਇਕੱਠੇ ਬਹੁਤ ਵਧੀਆ ਨਤੀਜੇ ਦਿਖਾਉਂਦਾ ਹੈ। 

ਜੇ ਤੁਸੀਂ R² ਸੰਕੇਤਕ ਨੂੰ ਦੇਖਦੇ ਹੋ, ਤਾਂ ਪਹਿਲੇ ਅਤੇ ਦੂਜੇ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ ਲਈ ਇਹ ਕ੍ਰਮਵਾਰ -0.01¹, 0.22 ਦੇ ਬਰਾਬਰ ਹੋਵੇਗਾ, ਜਦੋਂ ਕਿ ਜੋੜ ਲਈ ਇਹ 0.73 ਦੇ ਬਰਾਬਰ ਹੋਵੇਗਾ।

ਇਸ ਤਰ੍ਹਾਂ ਦੇ ਬੁਨਿਆਦੀ ਉਦਾਹਰਨ 'ਤੇ ਵੀ ਐਲਗੋਰਿਦਮ ਇੱਕ ਮਾੜਾ ਮਾਡਲ ਕਿਉਂ ਹੋ ਸਕਦਾ ਹੈ, ਇਸ ਦੇ ਬਹੁਤ ਸਾਰੇ ਕਾਰਨ ਹਨ: ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਤੁਸੀਂ ਓਵਰਫਿਟਿੰਗ ਤੋਂ ਬਚਣ ਲਈ ਨਿਯਮਤਕਰਨ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦਾ ਫੈਸਲਾ ਕੀਤਾ ਹੋਵੇ, ਜਾਂ ਤੁਸੀਂ ਕੁਝ ਵਿਗਾੜਾਂ ਨੂੰ ਰੱਦ ਨਾ ਕਰਨ ਦਾ ਫੈਸਲਾ ਕੀਤਾ ਹੋਵੇ, ਜਾਂ ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਤੁਸੀਂ ਪੋਲੀਨੋਮੀਅਲ ਰਿਗਰੈਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਹੋਵੇ ਅਤੇ ਗਲਤ ਹੋ ਗਿਆ ਹੋਵੇ। ਡਿਗਰੀ (ਉਦਾਹਰਣ ਲਈ, ਅਸੀਂ ਦੂਜੀ ਡਿਗਰੀ ਦੇ ਬਹੁਪਦ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਹੈ, ਅਤੇ ਟੈਸਟ ਡੇਟਾ ਇੱਕ ਸਪਸ਼ਟ ਅਸਮਰੂਪਤਾ ਦਿਖਾਉਂਦਾ ਹੈ ਜਿਸ ਲਈ ਤੀਜੀ ਡਿਗਰੀ ਬਿਹਤਰ ਅਨੁਕੂਲ ਹੋਵੇਗੀ)।

ਜਦੋਂ EL ਬਿਹਤਰ ਕੰਮ ਕਰਦਾ ਹੈ

ਆਉ ਇੱਕੋ ਡੇਟਾ ਨਾਲ ਕੰਮ ਕਰਨ ਵਾਲੇ ਦੋ ਸਿੱਖਣ ਦੇ ਐਲਗੋਰਿਦਮ ਨੂੰ ਵੇਖੀਏ।

ਇੱਥੇ ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ ਕਿ ਦੋ ਮਾਡਲਾਂ ਨੂੰ ਜੋੜਨ ਨਾਲ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਬਹੁਤ ਸੁਧਾਰ ਨਹੀਂ ਹੋਇਆ ਹੈ। ਸ਼ੁਰੂ ਵਿੱਚ, ਦੋ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ ਲਈ, R² ਸੂਚਕ ਕ੍ਰਮਵਾਰ -0,37 ਅਤੇ 0,22 ਦੇ ਬਰਾਬਰ ਸਨ, ਅਤੇ ਜੋੜ ਲਈ ਇਹ -0,04 ਨਿਕਲਿਆ। ਭਾਵ, EL ਮਾਡਲ ਨੇ ਸੂਚਕਾਂ ਦਾ ਔਸਤ ਮੁੱਲ ਪ੍ਰਾਪਤ ਕੀਤਾ.

ਹਾਲਾਂਕਿ, ਇਹਨਾਂ ਦੋ ਉਦਾਹਰਣਾਂ ਵਿੱਚ ਇੱਕ ਵੱਡਾ ਅੰਤਰ ਹੈ: ਪਹਿਲੀ ਉਦਾਹਰਣ ਵਿੱਚ, ਮਾਡਲ ਦੀਆਂ ਗਲਤੀਆਂ ਨਕਾਰਾਤਮਕ ਤੌਰ 'ਤੇ ਸਹਿਸਬੰਧਿਤ ਸਨ, ਅਤੇ ਦੂਜੀ ਵਿੱਚ, ਉਹ ਸਕਾਰਾਤਮਕ ਤੌਰ 'ਤੇ ਸਹਿਸਬੰਧਿਤ ਸਨ (ਤਿੰਨਾਂ ਮਾਡਲਾਂ ਦੇ ਗੁਣਾਂ ਦਾ ਅੰਦਾਜ਼ਾ ਨਹੀਂ ਲਗਾਇਆ ਗਿਆ ਸੀ, ਪਰ ਉਹਨਾਂ ਦੁਆਰਾ ਚੁਣਿਆ ਗਿਆ ਸੀ। ਇੱਕ ਉਦਾਹਰਣ ਵਜੋਂ ਲੇਖਕ।)

ਇਸ ਲਈ, ਐਨਸੇਂਬਲ ਲਰਨਿੰਗ ਦੀ ਵਰਤੋਂ ਕਿਸੇ ਵੀ ਸਥਿਤੀ ਵਿੱਚ ਪੱਖਪਾਤ/ਵਿਭਿੰਨਤਾ ਸੰਤੁਲਨ ਨੂੰ ਸੁਧਾਰਨ ਲਈ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਪਰ ਜਦੋਂ ਮਾਡਲ ਦੀਆਂ ਗਲਤੀਆਂ ਸਕਾਰਾਤਮਕ ਤੌਰ 'ਤੇ ਸਬੰਧਿਤ ਨਹੀਂ ਹਨ, EL ਦੀ ਵਰਤੋਂ ਕਰਨ ਨਾਲ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਸੁਧਾਰ ਹੋ ਸਕਦਾ ਹੈ.

ਸਮਰੂਪ ਅਤੇ ਵਿਪਰੀਤ ਮਾਡਲ

EL ਦੀ ਵਰਤੋਂ ਸਮਰੂਪ ਮਾਡਲਾਂ (ਜਿਵੇਂ ਕਿ ਇਸ ਉਦਾਹਰਨ ਜਾਂ ਬੇਤਰਤੀਬੇ ਜੰਗਲ ਵਿੱਚ) 'ਤੇ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਪਰ ਅਸਲ ਵਿੱਚ ਤੁਸੀਂ ਵੱਖ-ਵੱਖ ਮਾਡਲਾਂ (ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ + ਨਿਊਰਲ ਨੈੱਟਵਰਕ + XGBoost) ਨੂੰ ਵਿਆਖਿਆਤਮਕ ਵੇਰੀਏਬਲ ਦੇ ਵੱਖ-ਵੱਖ ਸੈੱਟਾਂ ਨਾਲ ਜੋੜ ਸਕਦੇ ਹੋ। ਇਹ ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਗੈਰ-ਸੰਬੰਧਿਤ ਤਰੁਟੀਆਂ ਅਤੇ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਹੋਵੇਗਾ।

ਪੋਰਟਫੋਲੀਓ ਵਿਭਿੰਨਤਾ ਨਾਲ ਤੁਲਨਾ

EL ਪੋਰਟਫੋਲੀਓ ਥਿਊਰੀ ਵਿੱਚ ਵਿਭਿੰਨਤਾ ਦੇ ਸਮਾਨ ਕੰਮ ਕਰਦਾ ਹੈ, ਪਰ ਸਾਡੇ ਲਈ ਬਹੁਤ ਵਧੀਆ ਹੈ। 

ਵਿਭਿੰਨਤਾ ਕਰਦੇ ਸਮੇਂ, ਤੁਸੀਂ ਗੈਰ-ਸੰਬੰਧਿਤ ਸਟਾਕਾਂ ਵਿੱਚ ਨਿਵੇਸ਼ ਕਰਕੇ ਆਪਣੇ ਪ੍ਰਦਰਸ਼ਨ ਦੇ ਅੰਤਰ ਨੂੰ ਘਟਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹੋ। ਸਟਾਕਾਂ ਦਾ ਇੱਕ ਚੰਗੀ-ਵਿਭਿੰਨਤਾ ਵਾਲਾ ਪੋਰਟਫੋਲੀਓ ਸਭ ਤੋਂ ਮਾੜੇ ਵਿਅਕਤੀਗਤ ਸਟਾਕ ਨਾਲੋਂ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਕਰੇਗਾ, ਪਰ ਸਭ ਤੋਂ ਵਧੀਆ ਤੋਂ ਬਿਹਤਰ ਕਦੇ ਨਹੀਂ ਹੋਵੇਗਾ।

ਵਾਰਨ ਬਫੇਟ ਦਾ ਹਵਾਲਾ ਦੇਣ ਲਈ: 

"ਵਿਭਿੰਨਤਾ ਅਗਿਆਨਤਾ ਦੇ ਵਿਰੁੱਧ ਇੱਕ ਬਚਾਅ ਹੈ; ਕਿਸੇ ਅਜਿਹੇ ਵਿਅਕਤੀ ਲਈ ਜੋ ਨਹੀਂ ਜਾਣਦਾ ਕਿ ਉਹ ਕੀ ਕਰ ਰਿਹਾ ਹੈ, ਇਹ [ਵਿਭਿੰਨਤਾ] ਬਹੁਤ ਘੱਟ ਅਰਥ ਰੱਖਦਾ ਹੈ."

ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿੱਚ, EL ਤੁਹਾਡੇ ਮਾਡਲ ਦੇ ਵਿਭਿੰਨਤਾ ਨੂੰ ਘਟਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ, ਪਰ ਇਸਦੇ ਨਤੀਜੇ ਵਜੋਂ ਇੱਕ ਮਾਡਲ ਹੋ ਸਕਦਾ ਹੈ ਜਿਸਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਵਧੀਆ ਮੂਲ ਮਾਡਲ ਨਾਲੋਂ ਬਿਹਤਰ ਹੋਵੇ।

ਆਓ ਨਤੀਜਿਆਂ ਨੂੰ ਜੋੜੀਏ

ਕਈ ਮਾਡਲਾਂ ਨੂੰ ਇੱਕ ਵਿੱਚ ਜੋੜਨਾ ਇੱਕ ਮੁਕਾਬਲਤਨ ਸਧਾਰਨ ਤਕਨੀਕ ਹੈ ਜੋ ਵਿਭਿੰਨ ਪੱਖਪਾਤ ਦੀ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਅਤੇ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਅਗਵਾਈ ਕਰ ਸਕਦੀ ਹੈ।

ਜੇ ਤੁਹਾਡੇ ਕੋਲ ਦੋ ਜਾਂ ਦੋ ਤੋਂ ਵੱਧ ਮਾਡਲ ਹਨ ਜੋ ਵਧੀਆ ਕੰਮ ਕਰਦੇ ਹਨ, ਤਾਂ ਉਹਨਾਂ ਵਿੱਚੋਂ ਇੱਕ ਦੀ ਚੋਣ ਨਾ ਕਰੋ: ਉਹਨਾਂ ਸਾਰਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰੋ (ਪਰ ਸਾਵਧਾਨੀ ਨਾਲ)!

ਇਸ ਦਿਸ਼ਾ ਵਿੱਚ ਵਿਕਾਸ ਕਰਨ ਵਿੱਚ ਦਿਲਚਸਪੀ ਰੱਖਦੇ ਹੋ? ਇੱਕ ਮੁਫ਼ਤ ਡੈਮੋ ਪਾਠ ਲਈ ਸਾਈਨ ਅੱਪ ਕਰੋ "ਔਨਲਾਈਨ ਸਿਫ਼ਾਰਸ਼ਾਂ ਦੀ ਉਦਾਹਰਣ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਇੱਕ ਉਦਯੋਗਿਕ ਵਾਤਾਵਰਣ ਵਿੱਚ ML ਮਾਡਲਾਂ ਦਾ ਆਉਟਪੁੱਟ" ਅਤੇ ਇਸ ਵਿੱਚ ਹਿੱਸਾ ਲੈਂਦੇ ਹਨ Andrey Kuznetsov ਨਾਲ ਆਨਲਾਈਨ ਮੀਟਿੰਗ — Mail.ru ਗਰੁੱਪ 'ਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਇੰਜੀਨੀਅਰ।

ਸਰੋਤ: www.habr.com