Das ML Core Snap Pack bietet eine umfassende Sammlung von Snaps, die den Lebenszyklus des maschinellen Lernens abdecken - vom Modelltraining und der Validierung bis hin zur Vorhersage und Optimierung. Ganz gleich, ob Sie ein Datenwissenschaftler sind, der anspruchsvolle Vorhersagemodelle erstellt, oder ein Geschäftsanalytiker, der Prognosen und Klassifizierungen automatisiert - dieses Snap Pack bietet produktionsreife Implementierungen modernster Algorithmen für maschinelles Lernen, die alle über die visuelle SnapLogic-Oberfläche zugänglich sind.
Trainieren Sie Modelle auf Ihren Daten, validieren Sie deren Genauigkeit mit K-facher Kreuzvalidierung, wenden Sie sie an, um Ergebnisse auf neuen Daten vorherzusagen, und untersuchen Sie systematisch verschiedene Algorithmen und Parameter, um die optimale Lösung für Ihren Anwendungsfall zu finden. Mit dem ML Core Snap Pack können Sie benutzerdefinierte Python-Skripte direkt in Ihren Workflows ausführen und erhalten so das Beste aus beiden Welten: die Geschwindigkeit und Zugänglichkeit der Low-Code-Integration in Kombination mit der unbegrenzten Leistungsfähigkeit von Code, wenn Sie ihn benötigen.
Verwenden Sie die Snaps in diesem Snap Pack, um:
- K-fache Kreuzvalidierung für Klassifizierungs- und Regressionsdatensätze durchführen.
- Trainieren Sie Modelle mit modernsten Algorithmen für maschinelles Lernen.
- Anwendung von Modellen zur Vorhersage von nicht beschrifteten Daten.
- Ausführen von Python-Skripten und Nutzung von Python-Bibliotheken für maschinelles Lernen
- Automatisieren Sie den Prozess der Erkundung und Abstimmung von Modellen des maschinellen Lernens
Das ML Core Snap Pack enthält die folgenden Snaps:
- Cross-Validator - Klassifizierung: Kreuzvalidierung von Klassifizierungsdatenmodellen mit Algorithmen und Auswahl des bestmöglichen Algorithmus für den Datensatz.
- Kreuz-Validierung - Regression: Kreuzvalidierung von Regressionsdatenmodellen mit Algorithmen und Auswahl des bestmöglichen Algorithmus für den Datensatz.
- Prädiktor - Klassifizierung: Vorhersage der nicht beschrifteten Daten in einem Klassifizierungsdatensatz anhand eines Datenmodells.
- Prädiktor - Regression: Vorhersage der nicht beschrifteten Daten in einem Regressionsdatensatz unter Verwendung eines Datenmodells.
- Trainer - Klassifizierung: Trainieren/Erstellen eines Datenmodells für einen Klassifizierungsdatensatz unter Verwendung von Algorithmen.
- Trainer - Regression: Trainieren/Erzeugen eines Datenmodells für einen Regressionsdatensatz unter Verwendung von Algorithmen.
- Entferntes Python-Skript: Führen Sie Python-Skripte aus der Ferne auf dem Python-Server aus.
- AutoML: Automatisieren Sie das Training einer großen Auswahl von Kandidaten für maschinelle Lernmodelle, indem Sie nur minimale Eingaben machen.
- Clustering: Durchführung einer explorativen Analyse durch Identifizierung versteckter Gruppierungen in den Daten
Weitere Informationen finden Sie auf der Dokumentationsseite.
