Recursos de Software de aprendizaje automático

Kraken es seguro. Almacenamos datos en servidores seguros en los servicios EC2 y S3 de Amazon utilizando los Grupos de Seguridad de Amazon y las políticas de seguridad de S3. El acceso a los servidores se controla mediante cifrado de clave pública. Usamos SSL en toda la aplicación, en todas las páginas, para asegurar cada transacción y pieza de datos, para todas las cuentas. En términos de seguridad, utilizamos un enfoque similar al de muchas soluciones SaaS que requieren que los usuarios tengan acceso a una cuenta para ver cualquier dato. Usamos un enfoque en capas que combina filtros de acceso que se ejecutan cada vez que se accede a algo, así como consultas a la base de datos que requieren que los usuarios tengan acceso a la cuenta para que los datos sean devueltos. Finalmente, en términos de nuestros procesos internos y política, no tenemos fácil acceso a tus proyectos y datos (es decir, no puedo simplemente iniciar sesión como tú para ver qué hay en tu cuenta), y solo investigamos los registros o la base de datos cuando se requiere específicamente para la resolución de problemas. No revendemos ni reutilizamos tus datos de ninguna manera, ni tenemos planes de hacerlo. Puedes encontrar más información en nuestra Política de Privacidad: https://www.bigsquid.com/policy

Mostrar más

Mostrar menos

“Overfitting” significa que un modelo es demasiado complejo y, como resultado, es poco fiable para predecir nuevos datos. El sobreajuste tiende a ocurrir cuando hay demasiados Drivers en relación con el número de puntos de datos disponibles. Por ejemplo: puede que solo tengas 50 filas de datos y 100 Drivers (columnas) en el conjunto de datos. El modelo predictivo puede usar todos los Drivers para elaborar una serie de reglas complicadas que funcionan bien con los datos utilizados para entrenar el modelo, cuando en realidad la Métrica predicha puede estar influenciada por solo uno o dos predictores. Como regla general, más simple es mejor. Cuantos más Drivers se introducen en un modelo, más error existe que potencialmente puede ocultar la verdadera relación subyacente que deseas descubrir.

Mostrar más

Mostrar menos

Todo comienza con los datos: basura entra, basura sale. Algunos factores a considerar que pueden tener un impacto en la calidad del modelo: - Si hay datos que no son limpios o confiables, considere eliminarlos del conjunto. No limpios o no confiables podría significar que la mayoría de los valores de la columna son nulos, alta concentración de un valor en una sola columna (es decir, tiene una columna con los valores de 'rojo', 'verde', 'azul' y el 90% de los valores en la columna son 'rojo'), los valores en una columna son altamente únicos. - Si la naturaleza de los datos que está recopilando ha experimentado un cambio significativo (por ejemplo, un cambio de política importante que entra en vigor puede significar que los datos anteriores no se parecen a los nuevos datos). - Un mayor volumen de datos tiende a producir modelos más confiables, por lo que cualquier punto de datos adicional relevante ayudará, ya sea que se trate de nuevas observaciones recopiladas a medida que pasa el tiempo, o de datos históricos recopilados de una fuente previamente no explotada. Si su modelo aún no está obteniendo buenos resultados, también puede ser porque las métricas que realmente tienen una relación con la métrica predicha aún no están capturadas en el conjunto de datos. Podría ser el momento de reflexionar sobre qué otras cosas podrían tener un efecto en la métrica predicha y ver si esos datos pueden ser recopilados e incluidos en el conjunto de datos. Recuerde: ¡los algoritmos predictivos solo pueden identificar patrones que están ahí para ser encontrados!

Mostrar más

Mostrar menos