Starten met een deep learning project: Train en implementeer een deep learning model In de voorgaande posts hebben we stuk voor stuk de stappen van het starten met een deep learning project doorgenomen. Deze week bespreken we de laatste stappen van het project: Het trainen en implementeren van het deep learning model. Het trainen van een deep learning model Voor
Starten met een deep learning project: Breng data naar training platform In de afgelopen twee posts hebben we de eerste stappen van een deep learning project doorgenomen. Na het bepalen van de business- en data behoeften, hebben we besproken hoe je de data van de edge naar de fog kunt bewegen. Als de data vervolgens eenmaal voorbereid is op training,
Starten met een deep learning project: Breng data van edge naar fog en bereid het voor op training Breng data van edge naar fog De opname van data is een belangrijke overweging voor iedere deep learning use case, maar het is met name cruciaal voor use cases waarbij databronnen die zich bij de edge bevinden betrokken zijn. Data stroomt vaak
Starten met een deep learning project: Bepaal jouw business- en databehoeften Bij het uitvoeren van een AI project komen vele factoren kijken. Zo hangt het succes van het project niet alleen af van het bij elkaar brengen van een gekwalificeerd team, maar bijvoorbeeld ook van het selecteren van de juiste infrastructuur. Wegens de complexiteit kan de kritieke rol die data
Unsupervised machine learning voor objectiviteit, privacy en minder data Machine learning helpt patronen in big data te ontdekken die leiden tot bruikbare inzichten. Zoals eerder besproken zijn machine learning algoritmen in grote lijnen te verdelen in twee groepen gebaseerd op de manier waarop zij leren over data om voorspellingen te doen, namelijk supervised machine learning (SML) en unsupervised machine learning