넘버스
넘버스
AutoML
클라우드 머신러닝 플랫폼 선택 기준 12가지
효과적인 머신러닝과 딥 러닝 모델을 구축하려면 방대한 양의 데이터, 데이터 정제 및 특성 엔지니어링을 수행할 방법, 그리고 적절한 시간 내에 데이터를 사용해 모델을 학습할 방법이 필요하다. 이후에는 모델을 배포하고 시간 경과에 따른 모델 이탈을 모니터...
SAS AI-Enhanced Analytics : AI 기반의 의사결정 지원을 위한 SAS의 전략
기업 조직 전체에서 데이터 기반의 의사결정을 실현하기 위해서는 AI를 특정 영역이 아닌 분석 라이프 사이클 전반으로 확대하고, 이 라이프 사이클은 의사결정 프로세스와 연결돼야 합니다. 개방된 플랫폼에서 분석 시간을 줄이고, 그 결과를 운영시스...
머신러닝을 더 쉽게 만드는 6가지 도구
‘머신러닝(ML)’이라는 말은 마법 같은 아우라로 가득 차 있다. 기계가 학습하도록 가르치기란 아직 일반인의 영역으로 보기 어렵다. 오늘날 이 용어는 데이터를 금으로 바꾸는 데이터 사이언티스트 같은 매우 전문적인 연금술사들의 영역이다. ...
“데이터 과학자 없는 머신러닝” AutoML의 이해
머신러닝(전통적인 머신러닝과 딥러닝 모두) 사용을 가로막는 두 가지 가장 큰 장애물은 기술력과 컴퓨팅 자원이다. 여기서 컴퓨팅 자원 문제는 가속 하드웨어(고성능 GPU를 탑재한 컴퓨터 등)를 구매하거나 클라우드의 컴퓨팅 자원(예를 들어 GPU, TPU...
자연어처리 이해하기
딥러닝의 도약으로 인공지능 번역과 기타 자연어처리(Natural Language Processing, NLP) 작업이 개선됐다. 다음은 필자 친구의 페이스북에 올라온 인공지능과의 대화다. 나: 알렉사, 아침 5시 30분 요가 수업...
"누구나 할 수 있는 머신러닝" 6가지 AML 프로젝트
머신러닝은 강력하지만 그만한 대가를 치러야 한다. 기술과 도구, 하드웨어, 데이터를 갖춘다 해도 머신러닝 모델을 만들고 세밀하게 조정하는 데는 복잡함이 따른다. 그러나 머신러닝의 핵심이 과거 사람이 직접 해야 했던 일을 자동화하는 데 있다면 머신...
추천기사
