【全球案例】美國癌症協會:深度學習助乳癌影像辨識

為了辨別數位病理影像中的全新規律或特徵,美國癌症協會使用 Google Cloud Platform 的 ML Engine 來提高即時性和準確度。

自 1992 年以來,美國癌症協會進行了第二期癌症預防研究 (CPS-II) 營養研究,該研究針對 188,000 多名美國男女進行了前瞻性研究。CPS-II 為研究人員探索,像是身高、體重、人口統計、個人和家族史、藥物和維生素使用、職業接觸、飲食習慣、飲酒和吸煙以及生育史等因素如何影響癌症病因提供了寶貴的資訊和預測。 繼續閱讀 “【全球案例】美國癌症協會:深度學習助乳癌影像辨識”

解釋結構化資料的模型預測(下)

上一篇文章,我們介紹了 Explainable AI,並使用公開資料集預測「自行車租賃的騎乘時間」。若您尚未閱讀,可以參考這篇部落格文章

延續上篇介紹的內容,您還可以獲得關於部署到 AI 平台的客製化 TensorFlow 模型之解釋。以下我們會介紹如何利用將 AI Explanations 模型部署到 Google Cloud AI 平台,並用 What-If 將模型結果視覺化。
繼續閱讀 “解釋結構化資料的模型預測(下)”

解釋結構化資料的模型預測(上)

機器學習技術快速演進,現在資料科學家已經能用更加精準的模型來處理各種難解的問題。然而,模型的複雜度與精準度直接相關,而這樣的複雜度又會使得調整模型更具挑戰性。為了解決這項挑戰,Google Cloud 於 2019 年 11 月推出 Explainable AI;此工具旨在幫助資料科學家除錯、改善模型效果並提供 insights,讓資料科學家使用上更方便。

了解模型如何運作,對有效且適當地導入 AI 來說相當重要。本篇文章將詳細介紹如何在 AutoML TablesCloud AI 平台 (Cloud AI Platform) 上將 Explainable AI 與表格式資料 (tabular data) 一起使用。 繼續閱讀 “解釋結構化資料的模型預測(上)”

想導入 AI 卻不知如何著手?Google 打造適用於各產業的 AI 解決方案

許多企業看到了 AI 和機器學習在商業上應用的價值,但卻不知道從何開始實踐。如果您的企業目前沒有數據分析的團隊,或是團隊正忙於其他任務,那企業更需快速、簡單的方式導入 AI。

Google Cloud 希望 AI 能讓更多企業使用,所以 2018 年我們推出了 Cloud AutoML,幫助難以獨力完成機器學習的企業做出更高品質的客製化機器學習模型。同時 Google Cloud 也推出了擁有強大預測分析能力的 BigQuery ML,能夠觸及數百萬用戶,其中包含非數據分析背景的使用者。 繼續閱讀 “想導入 AI 卻不知如何著手?Google 打造適用於各產業的 AI 解決方案”

一秒辨識屈中恆、宋少卿、鈕承澤:就用 Cloud AutoML Vision!

暨上一篇帶您手把手快速啟用 Google Cloud AutoML 後,這篇將帶您了解 Cloud AutoML 的實際應用案例。


(圖片摘自於網路)

GCP 的 Machine Learning 產品線,自今年 1/17 發表了 Cloud AutoML 後,在客製化 (Cloud ML Engine) 與服務化 (ML API) 兩者之間多了另一個折衷選項 (延伸閱讀:Google 機器學習三大服務介紹與比較),讓沒有足夠的機器學習背景的開發人員,也可以透過 Cloud AutoML 來訓練客製化的機器學習模型。 繼續閱讀 “一秒辨識屈中恆、宋少卿、鈕承澤:就用 Cloud AutoML Vision!”