Wereldwijd Blog

De editie van dbt coalesce vond plaats in New Orleans. En we hebben veel geleerd over het landschap van analytics engineering.

Snowflake | Hoe we het beheer van een account met meer dan 50 gebruikers hebben geautomatiseerd en tegelijkertijd aan de data governance normen hebben voldaan

Een handleiding voor het gebruik van counterfactual forecasting om de kosteneffectiviteit van eerdere promoties in winkels in de detailhandel te schatten.

Hoe kan de impact van kanalen tussen Verkoop en Marketing worden ingeschat? De Media Mix Modeling is de oplossing, Statistieken zijn de belangrijkste bron.

Na mijn eerste verhaal over codeoptimalisatie om mijn rekentijd met 90% te verminderen, was ik geïnteresseerd in de CO2eq-impact die mijn wijzigingen hadden bespaard.

Jeffrey Kane, Senior Data Scientist, legt uit waarom ML Engineer vanaf dag één deel moet uitmaken van uw data wetenschapsprojecten.

Het gebied en de toekomst van data engineering evolueert snel. Ontdek 3 belangrijke trends die ik de komende jaren prominent zie worden.

Deze handleiding zal u helpen om erachter te komen of Facebook Prophet geschikt is voor uw prognoseproject.

Stringfilters in Pandas moet u vermijden omdat de scalar_compare operator tot prestatieproblemen leidt.

Belangrijkste data & ML trends voor 2021... en wat ze betekenen voor 2022

Een stapsgewijze handleiding om het vergelijken van datasets te vergemakkelijken via een gebruiksklaar sjabloon voor Structured Query Language

Een diepgaand onderzoek naar hoe wij geavanceerde aangepaste modellen voor machinaal leren hebben gebouwd om de geneigdheid van klanten om een product te kopen in te schatten met behulp van Google Analytics data.

Tot nu toe hebben we het voornamelijk gehad over het voorspellen van reguliere producten die al een tijdje in de schappen liggen. Maar hoe zit het met producten die zeer recent gelanceerd zijn?

Een gids om u bewust te worden van de risico's waaraan u wordt blootgesteld en een paar tips om u ertegen te beschermen.

Dit artikel is het derde deel van een serie waarin we het proces doorlopen van het loggen van modellen met behulp van Mlflow, het serveren ervan op Kubernetes engine en uiteindelijk het opschalen ervan volgens de behoeften van onze applicatie. Hoewel dit artikel onafhankelijk gebruikt kan worden om elke API-respons te testen, raden wij aan om onze twee vorige artikelen (deel1 en deel2) te lezen over hoe u een volginstantie kunt implementeren en een model als API kunt serveren met Mlflow. In het volgende zullen we geïnteresseerd zijn in het schaalbaarheidsprobleem en dit aanpakken met enkele experimenten om het gedrag van het k8s cluster te begrijpen en aanbevelingen te geven over hoe om te gaan met hoge belastingen.

25 oktober 2021 Dit artikel is het tweede deel van een serie waarin we het proces doorlopen van het loggen van modellen met behulp van Mlflow, ze serveren als API endpoint, en ze uiteindelijk opschalen naargelang de behoeften van onze applicatie. We raden u aan om ons vorige artikel te lezen, waarin we laten zien hoe u een volginstantie op k8s kunt implementeren en de praktische vereisten (geheimen, omgevingsvariabelen...) kunt controleren, omdat we daar hier verder op zullen bouwen. In het volgende laten we zien hoe u een machine-learning model dat al geregistreerd is in Mlflow kunt serveren en als API endpoint op k8s kunt blootstellen.