Как организовать работу над ML-экспериментами с помощью MLflow

Ребята из VK Cloud и Karpov.Courses в своей статье на Хабре рассказали, как выстроить MLOps-подход в облаке. А именно:

- Что могут инструменты JupyterHub и MLflow в облаке;
- Как использовать их для MLOps на практике (на примере Cloud ML Platform);
- Какую последовательность действий по выстраиванию MLOps рекомендуют авторы.

Читать дальше

@machinelearning_ru

⚽️ EA’s Gaming AI: Incredible Juggling Skills!

Видео: https://www.youtube.com/watch?v=L5KOQkZOusE

Статья: https://www.cs.ubc.ca/~van/papers/2022-SIGGRAPH-juggle/index.html

@machinelearning_ru

Идентификация круглых печатей на изображении

Анализ данных, получаемых при обработке изображений — популярная тема среди разработчиков и аналитиков. Я поделюсь опытом применения преобразования Хафа для поиска окружностей на страницах сканированных документов.

Идея обратиться к идентификации геометрических объектов на изображении родилась при решении задачи поиска фальсификата в pdf файлах.

В период пандемии многие организации перешли на особый режим работы, личное взаимодействие с клиентами снизилось, поменялись бизнес-процессы. Изменения коснулись оформления первичных документов, чаще стали встречаться скан-копии файлов со вставленными подписями и печатями в виде отдельных картинок. Для оценки объема и формирования пула соответствующих документов потребовалось создать инструмент, способный «просмотреть» более 20 Гбайт файлов на предмет наличия указанных отклонений.

Задача:

Идентификация наличия круглых печатей на странице сканированного документа.

Реализация:

Python OpenCV (версия 4.6.0) – open source библиотека компьютерного зрения.

▪ Читать

@machinelearning_ru

Google’s Video Editor AI: Absolute Magic!

https://www.youtube.com/watch?v=G1dXEM_7lh8

Dreamix: Video Diffusion Models are General Video Editors: https://dreamix-video-editing.github.io/

@machinelearning_ru

Введение в развёртывание ML: Flask, Docker и Locust

Вы потратили много времени на EDA, тщательно проработали все функции, несколько дней настраивали модель и, наконец, получили то, что хорошо работает в тестовом варианте. Теперь, мой друг, вам нужно развернуть вашу модель. В конце концов, любая модель, которая остаётся на локальном компьютере, ничего из себя не представляет, независимо от того, насколько она хороша.

Изучение этой части рабочего процесса Data Science может показаться непосильным, особенно если у вас нет большого опыта разработки программного обеспечения. Не бойтесь, основная цель этой статьи — познакомить вас с одним из самых популярных фреймворков для развёртывания на Python – Flask. Кроме того, вы узнаете, как контейнеризировать развёртывание и измерить его производительность – два аспекта, которые часто упускаются из виду.

▪Читать
▪Код

@machinelearning_ru