Чтобы понять, как клиенты используют продукт, требуется аналитика миллиардов записей данных об использовании, часто в диапазоне петабайт. В этом посте описывается, почему для этого необходимы графические процессоры. Возможность — данные об использовании Крупномасштабное клиентское приложение может иметь сотни взаимодействующих с ним пользователей, создавая тысячи вариантов шаблонов использования, которые ежедневно могут легко генерировать сотни миллионов, если не миллиарды, сложных..

Ваш продукт - гвоздь? Кремниевая долина любит издеваться над собой. Мы живем из-за последней статьи Проблема остановки или твита Сары Купер . Каждая блестящая новая технология - чат-боты, блокчейн, AR / VR - получает свой момент в центре внимания до того, как раскрываются (ограниченные) варианты использования ... и она снова уходит в тень, появляясь только в сатире по поводу нашего оптимизма. Но я заметил слепое пятно. Готовый? Машинное обучение . Прежде, чем вы возьметесь..

Наш DeLorean почти готов В предыдущем посте я описал важную роль продакт-менеджера на этапе предварительной обработки. Однако этот шаг в основном возглавляет специалист по данным; это требует знания битов и байтов алгоритмов машинного обучения и понимания бесконечных параметров, которые влияют на вычисления, эффективность, использование ЦП и многие другие. Прежде чем решить, какую модель алгоритма машинного обучения (также известную как классификатор) использовать для получения..

Стивен Гувер В конце прошлого года мои коллеги из группы социальных наук работали над новой схемой взвешивания опросов, которая значительно повысит точность наших данных об общественном мнении. Чтобы заставить его работать, им нужно было подогнать десятки моделей для каждого заполненного опроса. В каждом опросе задается несколько вопросов, каждый из которых необходимо моделировать отдельно, используя набор моделей, соответствующих различным функциям. Кроме того, им потребуется подобрать..