跳转到页脚

标签:毫升

编码简介:Diana Yanakiev, Uber ATG,匹兹堡

长期以来,无人驾驶汽车一直被认为是交通运输的未来,但它们正变得越来越常见。Uber ATG (Advanced Technologies Group)走在这项技术的前沿,帮助带来安全可靠的自动驾驶汽车……

元图:使用元学习的少镜头链接预测

Uber AI引入了元图(Meta-Graph),这是一种新的少镜头链接预测框架,有助于对ML模型进行更准确的训练,从而快速适应新的图数据。

建立一个重新测试的服务来测量Uber级的模型性能

我们建立了一个回溯测试服务,以更好地评估财务预测模型错误率,促进改善预测性能和决策。

开放源码歧管,机器学习的视觉调试工具

Manifold由Uber Engineering于2019年1月首次推出,是一种可视化调试工具,使用户能够快速识别机器学习模型中的性能问题。
高级艾伯艾,2019年:与人工智能推进流动性

高级艾伯艾,2019年:与人工智能推进流动性

2019年,Uber AI构建了工具和系统,利用ML提高定位精度,增强实时预测,以及我们平台上的其他应用。

生产分布式XGBoost,在Uber用大数据集训练深度树模型

我们分享技术挑战和经验教训,同时在生产和缩放XGBoost以培训优步的分布式梯度提升算法。

米开朗基罗模型表示法在规模上的灵活性

为了适应额外的ML用例,优步演变了Michelangelo的应用Apache Spark Mllib库,以获得更大的灵活性和可扩展性。

用优步西雅图工程缩放机器学习的三种方法

在2019年4月的ML和AI的ML和AI次数上,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。

EvoGrad:一个轻量级的基于梯度的进化库

Uber AI Labs发布了EvoGrad库,用于催化基于梯度的进化研究,以及Evolvability ES,该库支持的新元学习算法。雷竞技是骗人的

通过Uber的机器学习,在模拟市场中获得洞察力

优步的市场仿真平台利用ML在无风险环境中快速原型和测试新产品特征和假设。

通过CatchME提高Uber的地图准确性

“CatchMapError”(CatchMe)是一个自动捕捉优步地图数据错误的系统,该系统利用来自司机应用的匿名GPS追踪。

缩放数据科学:与优步弗兰钟的谈话

我们采访了数据科学总监弗兰·贝尔(Fran Bell),谈谈她在优步的机器学习,以及她认为自己工作中最大的挑战和回报。

Manifold: Uber机器学习的可视化调试工具,与模型无关

Uber内置歧管,一个模型 - 无话可证可视化工具,用于ML性能诊断和模型调试,以促进更明智和可操作的模型迭代过程。

Uber开源:符合Alex Sergeev,Horovod项目领先

我们采访了Horovod项目负责人Alex Sergeev,讨论了他走向开源的道路,以及Uber分布式深度学习框架的未来最让他兴奋的是什么。

如何获得更好的GAN(几乎)免费:介绍大都会黑斯廷斯GAN

生成式对抗网络(GANs)利用判别器在ML模型训练完成后从生成器中选取更好的样本。

NVIDIA:与优步的Horovod加速深入学习

HOROVOD,优步的开源分布式深度学习系统,使NVIDIA能够从一到八个GPU的模型培训,以获得自动传感和感知技术。

我在埃塞俄比亚的织物织布工程工作的旅程成为软件......

塞缪尔·泽米德昆(Samuel Zemedkun)回忆了他的移民经历,以及他在优步平台上的兼职驾驶如何资助了他的教育,并启发他决定加入该公司。

使用Michelangelo的优步学习

2015年,Uber开发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Uber扩大ML规模的历程,以及一路走来学到的经验教训。

Michelangelo PyML:介绍Uber用于快速Python ML模型开发的平台

Uber开发了Michelangelo PyML,可以在实时实验和大规模离线预测工作中本地运行相同的机器学习模型副本。

通过Uber的智能回复系统,一键式聊天,改善司机之间的沟通

优步司机应用的智能回复系统“一键式聊天”(One-click chat)利用机器学习技术,使司机合作伙伴和乘客之间的应用内信息更加无缝对接。

流行文章