แมชชีนเลิร์นนิงเป็นรากฐานของแอปพลิเคชันที่น่าทึ่งมากมาย รวมถึงคอมพิวเตอร์วิทัศน์ การรู้จำคำพูด การค้นหาเว็บ ระบบแนะนำ และอื่นๆ อีกมากมาย หากคุณกำลังทำโปรเจ็กต์แมชชีนเลิร์นนิง คุณอาจต้องการความคืบหน้าอย่างรวดเร็วและผลลัพธ์ที่ต้องการ ดังนั้นในบทความนี้และบทความถัดไป ฉันจะอธิบายคำแนะนำที่น่าลองใช้ สมมติว่าคุณกำลังสร้างโมเดลการตรวจจับวัตถุร่วมกับทีมของคุณ และคุณต้องการตรวจจับแมว นอกจากนี้ คุณต้องการปรับใช้โมเดลกับสมาร์ทโฟน คุณได้ฝึกฝนโมเดลการตรวจจับวัตถุของคุณแล้ว อย่างไรก็ตาม..

ทดสอบโมเดลต่างๆ ด้วยการเรียนรู้แบบรวมศูนย์บนชุดข้อมูล MNIST FELT Labs เป็นเครื่องมือสำหรับวิทยาศาสตร์ข้อมูลเกี่ยวกับข้อมูลแบบกระจายอำนาจ คุณสามารถใช้มันเพื่อฝึกโมเดลการเรียนรู้ของเครื่องบนชุดข้อมูลแบบกระจายอำนาจหลายชุดและรวมผลลัพธ์ - การเรียนรู้แบบสหพันธรัฐ บทความนี้จะพยายามตอบคำถามง่ายๆ “ใช้งานได้จริงหรือ?” เราจะใช้แบบจำลองที่ FELT สนับสนุนเพื่อประเมินและเปรียบเทียบการเรียนรู้แบบสหพันธรัฐกับการฝึกอบรมแบบรวมศูนย์บน "ชุดข้อมูล MNIST"..

ภูมิปัญญา AI และความเชี่ยวชาญของมนุษย์ร่วมกัน เมื่อเร็ว ๆ นี้ มีข่าวลือค่อนข้างมากเกี่ยวกับการแก้ปัญหาโดยอัตโนมัติโดยใช้หลายตัวแทนที่อัดแน่นไปด้วยโมเดลภาษาที่กว้างขวาง (LLM) แต่สิ่งที่จับได้คือ: แม้ว่าตัวแทนหลายรายที่ขับเคลื่อนด้วย LLM เหล่านี้กำลังก้าวหน้า แต่ส่วนใหญ่แล้วพวกเขายังคงยึดติดกับงานแชทธรรมดา ๆ คุณรู้ไหมว่าบทสนทนาปกติ เมื่อสิ่งต่างๆ ซับซ้อนขึ้น มันเหมือนกับว่าพวกเขาเห็นสิ่งที่ไม่มีอยู่จริง — พูดได้ว่าประสาทหลอน และเมื่อคุณรวมเอเจนต์เหล่านี้เข้าด้วยกัน..

การแนะนำ หากคุณกำลังทำงานหรือเคยทำงานด้านวิทยาศาสตร์ข้อมูลใดๆ แสดงว่าคุณใช้แพนด้าอย่างแน่นอน ดังนั้น Pandas จึงเป็นห้องสมุดที่ช่วยดำเนินการนำเข้าและแปลงข้อมูล รหัสแพนด้า สำหรับตัวอย่างนี้ ฉันใช้ "ชุดข้อมูลยอดขายของชำในซุปเปอร์มาร์ท" ซึ่งมีข้อมูลเกี่ยวกับสินค้า การขาย ส่วนลด กำไร ฯลฯ นำเข้าชุดข้อมูล df = pd.read_csv('./sample_data/Supermart Grocery Sales - Retail Analytics Dataset.csv') แสดงรายการคอลัมน์ df.columns Index(['Order ID', 'Customer Name', 'Category', 'Sub..