Kis adat kis gond?
Kevés adatpont birtokában sem kell elköszönni a prediktív modellektől.
Ennyiért kaphatnak tovább frissítéseket a Windows 10 felhasználói
Hivatalos a magánszemélyek számára kiszabott fogyasztói ár az ESU programban.
a címlapról
0
Bevásárolja magát saját műholdas partnerébe az Apple
Hirdetés
Kubernetes Security és Go fejlesztői online képzéseket indítunk!
0
A Meta AI-modelljét használta a kínai hadsereg
sat
0Bevásárolja magát saját műholdas partnerébe az Apple
2024. november 4. 14:00
A cég - immár tulajdonosként - egy kis tőkeinjekciót is biztosít a Globalstarnak.LLAMA
0A Meta AI-modelljét használta a kínai hadsereg
2024. november 4. 12:45
A Llama nyilvánosan hozzáférhető korábbi verzióját finomhangolták kínai kutatók az operatív döntéshozatalt segítő AI-eszköz fejlesztéséhez.Q3
0Sok pénz folyt be a Metához, de sok pénz is folyik majd el
2024. október 31. 14:10
Jövőre jelentős infrastruktúra-bővítést hajt végre a közösségi óriás.
A big datáról és a kapcsolódó problémákról rengeteg publikáció érhető el. De mi a helyzet a kis adatokkal? A kis mennyiségű adatok elemzése is számos módszertani kihívással jár, amelyről kevés szó esik. Az idén szeptember 24-i HWSW free! meetupon elhangzott előadásban Windhager-Pokol Eszter, a Starschema vezető adattudósa egy esettanulmányon keresztül bemutatja, mire kell odafigyelni, hogyan kell prediktív modelleket építeni akkor, amikor kifejezetten kevés adatpont áll rendelkezésre.
Az AI témaköre idén is önálló szekciót kap a november 27-28-án rendezett HWSW mobile! digitális termékfejlesztési konferencián, amelyet a szegmens, és a kapcsolódó technológiák után érdeklődőknek nem érdemes kihagyni! A szekcióban Windhager-Pokol Eszter ismét színpadra áll, előadásában pedig arról beszél majd, mikor hasznosak az AutoML eszközök és melyek azok a feladatok amelyekhez még mindig szükség van a sokszor pótolhatatlan emberi intelligenciára és kreativitásra.
Kis adat kis gond? - Windhager-Pokol Eszter (Starschema)
Még több videó