Recursos de Software de Aprendizado de Máquina

Kraken é seguro. Armazenamos dados em servidores seguros nos serviços EC2 e S3 da Amazon, usando os Grupos de Segurança da Amazon e as políticas de segurança do S3. O acesso aos servidores é controlado usando criptografia de chave pública. Usamos SSL em todo o aplicativo, em todas as páginas, para proteger cada transação e pedaço de dados, para todas as contas. Em termos de segurança, usamos uma abordagem semelhante a muitas soluções SaaS que exigem que os usuários tenham acesso a uma conta para ver qualquer dado. Usamos uma abordagem em camadas combinando filtros de acesso que são executados toda vez que algo é acessado, bem como consultas de banco de dados que exigem que os usuários tenham acesso à conta para que os dados sejam retornados. Finalmente, em termos de nossos processos internos e política, não temos acesso fácil aos seus projetos e dados (ou seja, não posso simplesmente fazer login como você para ver o que está na sua conta), e só investigamos os logs ou o banco de dados quando especificamente necessário para solução de problemas. Não revendemos ou reutilizamos seus dados de forma alguma, nem temos planos para isso. Você pode encontrar mais informações em nossa Política de Privacidade: https://www.bigsquid.com/policy

Mostrar mais

Mostrar menos

“Overfitting” significa que um modelo é excessivamente complexo e, como resultado, é pouco confiável para prever novos dados. Overfitting tende a acontecer quando há muitos Drivers em relação ao número de pontos de dados disponíveis. Por exemplo: você pode ter apenas 50 linhas de dados e 100 Drivers (colunas) no conjunto de dados. O modelo preditivo pode usar todos os Drivers para criar uma série de regras complicadas que funcionam bem contra os dados usados para treinar o modelo, quando na realidade a Métrica prevista pode ser influenciada por apenas um ou dois preditores. Como regra geral, mais simples é melhor. Quanto mais Drivers são introduzidos em um modelo, mais erro existe que pode potencialmente encobrir a verdadeira relação subjacente que você deseja descobrir.

Mostrar mais

Mostrar menos

Tudo começa com os dados – lixo entra, lixo sai. Alguns fatores a considerar que podem ter um impacto na qualidade do modelo: - Se houver dados que são impuros ou não confiáveis, considere removê-los do conjunto. Impuros ou não confiáveis podem significar que a maioria dos valores da coluna são nulos, alta concentração de um valor em uma única coluna (ou seja, você tem uma coluna com os valores 'vermelho', 'verde', 'azul' e 90% dos valores na coluna são 'vermelho'), valores em uma coluna são altamente únicos. - Se a natureza dos dados que você está coletando sofreu uma mudança significativa (por exemplo, uma grande mudança de política que entra em vigor pode significar que os dados anteriores não se assemelham aos novos dados). - Um volume maior de dados tende a produzir modelos mais confiáveis, então quaisquer pontos de dados adicionais relevantes ajudarão, sejam eles novas observações coletadas à medida que o tempo passa, ou históricos coletados de uma fonte anteriormente não explorada. Se o seu modelo ainda não está pontuando bem, pode ser também porque as métricas que realmente têm uma relação com a Métrica prevista ainda não estão capturadas no conjunto de dados. Pode ser hora de pensar em outras coisas que possam ter um efeito na métrica prevista e ver se esses dados podem ser coletados e incluídos no conjunto de dados. Lembre-se – os algoritmos preditivos só podem identificar padrões que estão lá para serem encontrados!

Mostrar mais

Mostrar menos