분류 전체보기155 머신 러닝에 필요한 수학 5가지 데이터 사이언스 지망생들로부터 가장 많이 받는 질문 중 하나는 "머신 러닝에 필요한 수학은?"입니다. 데이터 사이언스를 처음 독학하기 시작했을 때, 저는 엔트리 레벨의 데이터 사이언스 포지션에 완전히 합격하기 위해 정확히 얼마나 많은 수학을 배워야 하는지 혼란스러웠습니다. 머신러닝에 필요한 수학 5가지 저는 학부 수준의 미적분, 선형대수, 통계학을 공부하는데 많은 시간을 보냈습니다. 데이터 사이언스 일을 처음 시작한 후, 저는 업계에서 일할 때 필요한 수학의 양이 제가 예상했던 것보다 훨씬 적다는 것을 깨달았습니다. 대부분의 기업은 매우 유사한 비즈니스 문제를 해결하기 위해 기계 학습 모델을 구축하는 경향이 있습니다. 따라서 일반적으로 휠을 다시 발명하거나 알고리즘을 처음부터 구축할 필요가 없습니다. 현.. 2022. 9. 22. 모델관리 AI 기반 모델을 사용하면 조직의 수익이 증가하고 운영 효율성이 향상되며 고객 관계가 향상됩니다. 하지만 한 가지 단점이 있다. 배포된 모델이 어디에 있는지, 모델이 무엇을 하는지, 모델이 사용하는 데이터, 모델이 생성하는 결과 및 결과에 의존하는 사용자를 알아야 합니다. 모델 관리 그것은 좋은 모델 거버넌스 프레임워크를 필요로 한다. 많은 조직에서 현재 프레임워크는 새로운 모델의 검증과 테스트에 중점을 두고 있지만 리스크 매니저와 규제 당국은 모델 도입 후 발생하는 일이 최소한 그만큼 중요하다는 것을 깨닫고 있습니다. 레거시 모델 아무리 잘 생각하고 구축해도 영원히 기능하는 예측 모델은 없습니다. 시간이 지남에 따라 서서히 저하되거나 갑자기 실패할 수 있습니다. 따라서 구형 모델은 면밀하게 모니터링하거.. 2022. 9. 21. 기계학습 프로젝트 체크리스트 기계 학습 프로젝트 계획 머신 러닝과 AI를 통해 조직은 데이터를 분석하고, 통찰력을 발견하고, 수많은 데이터에서 의사결정을 주도할 수 있습니다.그 어느 때보다 많은 조직이 머신러닝에 투자하고 있습니다.프로젝트의 87%만이 실제 가동에 도달하지 못하고 있기 때문에 성공 여부는 부지런한 계획에 달려 있습니다. 데이터 과학자는 실현 가능성을 평가하고, 기대치를 설정하고, 측정 기준을 정의하고, 프로젝트 청사진을 설계하기 위해 비즈니스 문제와 프로젝트 범위를 이해해야 합니다.비즈니스 팀과 기술 팀 간의 긴밀한 협업과 연계는 성공을 보장하는 데 도움이 됩니다. 모든 프로젝트에 기계 학습이 필요한 것은 아닙니다.사용 사례에 미래 지향적인 예측 구성요소가 없는 경우, 기록 데이터에 적용된 분석 및 시각화를 통해 이.. 2022. 9. 21. 모델 리스크 컴플라이언스 자동화 모델러가 SR 11-7의 설명된 지침을 따르면서 머신 러닝 모델을 개발하고 검증하는 방법에 대해 광범위하게 논의했다. 모델이 내부적으로 성공적으로 검증되면, 조직은 모델을 생산하고 비즈니스 의사 결정에 사용할 수 있습니다. 현대 기계 학습(ML) 방식의 생산 모니터링 그러나, 일단 모델이 생산되면, 금융기관은 모델이 의도한 목적과 설계에 맞게 기능하고 있는지 어떻게 알 수 있는가?모델은 현실을 단순화한 표현이기 때문에 모델을 개발할 때 모델러가 사용했을 수 있는 많은 가정은 실제 전개 시에는 해당되지 않을 수 있습니다. 모델링 되는 프로세스의 근본적인 변경으로 인해 가정이 위반되는 경우, 배치된 시스템은 의도한 목적에 부합하지 않을 가능성이 높기 때문에 기관이 관리해야 하는 추가적인 모델 리스크가 발생합.. 2022. 9. 21. 이전 1 ··· 23 24 25 26 27 28 29 ··· 39 다음 반응형