跳转到页脚

标签:米开朗基罗

在Uber生产分布式XGBoost来训练使用大数据集的深度树模型

约瑟王-
我们分享技术挑战和经验教训，同时生产和缩放XGBoost，训练分布式梯度增强算法在优步。
阅读更多

进化米开朗基罗模型表示法的灵活性在规模

安妮叫喊-
为了适应更多的ML用例，Uber改进了Michelangelo的Apache Spark MLlib库应用程序，以获得更大的灵活性和可扩展性。
阅读更多

三种缩放机器学习的方法与优步西雅图工程

Bea舒斯特尔-
2019年4月，在Uber西雅图举行的ML和AI聚会上，我们的工程团队成员讨论了三种不同的方法来增强我们的ML生态系统。
阅读更多
洛根Jeya

Science at Uber:为机器学习提供动力

韦恩·坎宁安-
产品经理Logan Jeya解释了优步的机器学习平台Michelangelo如何使数据驱动的决策更容易部署模型。
阅读更多
复杂的高速公路交换

可访问的机器学习通过数据工作流管理

Jianyong张-
Uber工程师提供了两个常见的用例，展示了我们如何在我们的数据工作流引擎中编排机器学习模型训练。
阅读更多

流形:优步用于机器学习的模型无关的视觉调试工具

Lezhi李-
Uber建立了Manifold，一个模型无关的可视化工具，用于ML性能诊断和模型调试，以促进更知情和可操作的模型迭代过程。
阅读更多

在优步与米开朗基罗的缩放机器学习

杰里米·赫尔曼-
2015年，优步建立了我们的机器学习平台米开朗基罗。三年后，我们回顾了我们在优步拓展ML的历程，以及在这一过程中吸取的教训。
阅读更多

Michelangelo PyML:介绍Uber的快速Python ML模型开发平台

凯文Stumpf-
Uber开发了Michelangelo PyML，在实时实验和大规模离线预测作业中本地运行相同的机器学习模型副本。
阅读更多

利用深度学习扩展优步的客户支持票务助理(COTA)系统

Huaixiu郑-
通过利用深度学习模型，优步建立了下一代COTA，从而扩展该系统，提供更准确的客户支持票证预测。
阅读更多

COTA:用自然语言处理和机器学习改善优步客户服务

Huaixiu郑-
在这篇文章中，优步工程介绍了我们的客户痴迷票务助手(COTA)，这是一种新的工具，将机器学习和自然语言处理模型应用到客户服务中，以帮助代理商提供更好的支持体验。
阅读更多

2017年回顾:优步工程博客的2017亮点ti8 竞猜雷竞技app雷竞技到底好不好用

莫莉Vorwerck-
为了迎接新年的到来，优步工程博客分享了我们的编辑选出的20ti8 竞猜雷竞技app17年优步工程博客。雷竞技到底好不好用
阅读更多

在优步用机器学习和人工智能打造更可靠的交通工具

Chintan Turakhia-
在本文中，我们将重点介绍优步如何利用机器学习和人工智能来大规模应对工程挑战。
阅读更多

见见Horovod: Uber的TensorFlow开源分布式深度学习框架

亚历克斯能够-
优步工程引入了Horovod，这是一个开源框架，可以更快更容易地用TensorFlow训练深度学习模型。
阅读更多

这是优步工程的开源流媒体分析平台AthenaX

Haohui麦-
优步工程公司建立了我们的开源流分析平台AthenaX，将大规模事件流处理带给每个人。
阅读更多

受欢迎的文章