Google Cloud Platform 香港 (HK) 機房正式上線!

在 Hong Kong Cloud Summit 大會之後, 第二座位於大中華地區的香港機房上線囉!
位於香港, 代號 asia-east2 區域總共有三個 zone,分別為:
asia-east2-a、asia-east2-b、asia-east2-c

GCP 在全球資料中心部署 VM 時, 預設不需經過複雜設定,各 VM 可直接由內網溝通,GCP專門家在 GCP 全球 16 個區域各取其中一個 zone 各建立了一台規格為 n1-standard-1 , OS 為 Ubuntu 16.04 LTS 的 VM, 使用 mtr -c 120 -r VM-ID 指令,透過 GCP 內網連線測試從香港機房的 VM 至各區域 VM 的網路平均延遲 (average network latency), 測試結果 packet loss 均為 0%, 延遲如下:
繼續閱讀 “Google Cloud Platform 香港 (HK) 機房正式上線!”

機器學習與結構化數據 (3):部署 Web 應用程序

透過這篇文章,您可以透過運行在  App Engine 上的 Web 應用程式來使用 Prediction API,以進行線上預測。這將是機器學習與結構化數據系列文章的最後一篇,將接續系列二的訓練模型

架構

這篇文章將用到下圖中虛線內的元件:
繼續閱讀 “機器學習與結構化數據 (3):部署 Web 應用程序”

攜手 iKala「GCP 專門家」擁抱大數據機器學習,「iCook 愛料理」站穩食譜分享平台龍頭

10th Oct, 2018 – 台北

「iCook 愛料理」自 2011 年創辦以來,迅速成為最大的食譜分享平台。隨著國內養生文化日漸普及,掀起手做料理與食譜分享的風潮,「iCook 愛料理」累積了大量的食譜與會員資料。在數據即為石油的時代,iKala「GCP 專門家」與「iCook 愛料理」攜手合作,導入人工智慧技術,大幅改善平台的使用者及客服體驗。 繼續閱讀 “攜手 iKala「GCP 專門家」擁抱大數據機器學習,「iCook 愛料理」站穩食譜分享平台龍頭”

機器學習與結構化數據 (2-2):訓練模型

繼機器學習與結構化數據系列第一篇介紹了如何準備數據及分析之後,此篇文章將接續上一篇,介紹如何訓練模型。

定義輸入列

您必須為 Estimator API 定義 serving_input_fn 函數。此方法定義列以用作預測服務的 API 請求的輸入。輸入列通常與 CSV 文件中的輸入列相同,但在某些情況下,您希望接受與您在模型訓練過程中使用的格式不同的輸入數據。 繼續閱讀 “機器學習與結構化數據 (2-2):訓練模型”