O trabalho di¨¢rio de aprendizado de m¨¢quina geralmente se resume a uma s¨¦rie de experimentos na sele??o de uma abordagem de modelagem e topologia de rede, treinamento de dados e otimiza??o ou aprimoramento do modelo. Cientistas de dados devem usar a experi¨ºncia e a intui??o para criar hip¨®teses de mudan?as e depois medir o impacto dessas mudan?as no desempenho geral do modelo. ? medida que essa pr¨¢tica amadureceu, nossos times descobriram uma demanda crescente de ferramentas de rastreamento de experimentos para aprendizado de m¨¢quina. Essas ferramentas ajudam as pessoas investigadoras a acompanhar os experimentos e trabalhar com eles de forma met¨®dica. Embora nenhuma vencedora incontest¨¢vel tenha surgido, ferramentas como e plataformas como ou introduziram rigor e repetibilidade em todo o fluxo de trabalho de aprendizado de m¨¢quina.
O trabalho di¨¢rio em aprendizado de m¨¢quina frequentemente inclui uma s¨¦rie de experimentos na sele??o de uma abordagem de modelagem, topologia de rede, treinamento de dados e v¨¢rias otimiza??es ou ajustes no modelo. Pelo fato de muitos desses modelos serem ainda dif¨ªceis de interpretar ou explicar, cientistas de dados devem usar sua experi¨ºncia e intui??o para criar hip¨®teses de mudan?as e ent?o medir o impacto que essas mudan?as t¨ºm no desempenho global do modelo. Conforme esses modelos se tornam cada vez mais comuns nos sistemas de neg¨®cios, v¨¢rias ferramentas de rastreamento experimentais para aprendizado de m¨¢quina surgiram para ajudar investigadores a monitorar esses experimentos e trabalhar neles metodicamente. Embora n?o tenha surgido uma vencedora, ferramentas como ou e plataformas como ou introduziram rigor e repetibilidade em todo o fluxo de trabalho do aprendizado de m¨¢quina. Elas tamb¨¦m facilitam a colabora??o e ajudam a ci¨ºncia de dados a se transformar de uma empreitada solit¨¢ria em um esporte coletivo.
