Saltar al contenido

Aprendizaje de máquinas impulsadas por múltiples modelos

Descripción

Con el rápido y reciente auge de la ciencia de los datos, los marcos de aprendizaje de las máquinas, como TensorFlow, se han hecho populares. Sin embargo, esos marcos no forman una plataforma de aprendizaje automático completa por sí mismos. En esta charla, Jorg Schad examinará el papel que desempeñan las bases de datos en el mundo del aprendizaje automático, en particular las bases de datos multimodales que soportan múltiples modelos de datos como gráficos, documentos y valores clave. Muchos algoritmos poderosos de Aprendizaje Automático se basan en gráficos, por ejemplo, Page Rank (Pregel), Motores de Recomendación (filtrado colaborativo), resumen de textos y otras tareas de PNL. Hay incluso más aplicaciones una vez que se considera el pre-procesamiento de datos y la ingeniería de características, que son ambas tareas vitales en los oleoductos de aprendizaje automático. Pero, ¿cómo se pueden combinar las bases de datos de modelos múltiples con sistemas de aprendizaje automático, como TensorFlow o Pytorch? Usando ejemplos del mundo real, Jorg muestra cómo las bases de datos de modelos múltiples y los marcos de aprendizaje automático forman una combinación muy poderosa. En particular, se centrará en los modelos de aprendizaje automático basados en gráficos, así como en el preprocesamiento de datos basado en gráficos y la ingeniería de características (que pueden, a su vez, servir de entrada para una red neuronal profunda).

Aprendizaje de máquinas impulsadas por múltiples modelos
Aprendizaje de máquinas impulsadas por múltiples modelos