Nano Hash - криптовалюты, майнинг, программирование

Хорошо или необходимо использовать BLOB-объекты при запуске алгоритмов машинного обучения с большими данными?

Я знаю, что я могу либо загрузить свои файлы данных в лазурный мл (как новые наборы данных), либо я могу использовать BLOB-объекты (и читать данные в рамках эксперимента ML). Интересно, рекомендуется ли конкретно один из них при обучении моделей машинного обучения и создании решений машинного обучения, связанных с прогнозированием.

Моя цель использования Azure — кластеризовать пользователей на основе различных функций. У меня большой набор данных (~ 50 ГБ). Интересно, есть ли у вас какие-либо рекомендации.

Я ценю любую помощь!

azure azure-storage-blobs azure-storage azure-machine-learning-studio
20.11.2016

Ответы:


1

Как указано в разделе Часто задаваемые вопросы о машинном обучении Azure: «Для наборов данных размером более нескольких ГБ следует загружать данные в хранилище Azure или базу данных SQL Azure или использовать HDInsight, а не напрямую загружать из локального файла».

Также обратите внимание на максимальные размеры наборов данных для модулей в Студии машинного обучения. Эти ограничения перечислены как часть того же часто задаваемых вопросов, ссылка на который приведена выше.

21.11.2016
Новые материалы
Кластеризация: более глубокий взгляд
Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..
Как написать эффективное резюме
Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..
Частный метод Python: улучшение инкапсуляции и безопасности
Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..
Как я автоматизирую тестирование с помощью Jest
Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..
Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..
Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..
Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..