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”

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”

機器學習與結構化數據 (2-1):訓練模型

這篇文章中,您將使用 TensorFlow 的 high-level Estimator API 創建一個寬且深的機器學習預測模型。您可以透過上一篇文章:數據分析和準備中所創建的 CSV 文件在 Cloud ML Engine 上訓練模型。

架構

這篇文章將使用下圖中虛線內的元件: 繼續閱讀 “機器學習與結構化數據 (2-1):訓練模型”

機器學習與結構化數據(1):數據分析和準備

在本教程中,您將探索一個結構化數據集,然後為機器學習 (ML) 模型創建訓練和評估數據集。 這是一系列教程中的第一部分; 您可以繼續第二部分:訓練模型第三部分:部署 Web 應用程序

您可以使用 Google Cloud Platform (GCP) 的 Cloud Datalab 進行數據探索,並使用 Cloud Dataflow 來創建您的數據集。作為資料來源的數據集儲存在 BigQuery 中。

以下是教程的架構: 繼續閱讀 “機器學習與結構化數據(1):數據分析和準備”

機器學習圖片影片辨識 API – Google vs Amazon vs Microsoft AI 比較大全 (四)

Google, Microsoft 和 Amazon 機器學習圖片/影片辨識 API 的比較 (四)

上一篇帶您了解 Google, Amazon, Microsoft 在文字分析和翻譯 API 上的差異後,這一篇將帶您了解在圖片和影片辨識的領域中,這三間大廠 API 的特性與優劣。 繼續閱讀 “機器學習圖片影片辨識 API – Google vs Amazon vs Microsoft AI 比較大全 (四)”