Наша двухнедельная подборка обязательных к прочтению сообществ для сообщества
Оксфордский словарь английского языка определяет машинное обучение как «тип искусственного интеллекта, при котором компьютеры используют огромные объемы данных, чтобы научиться выполнять задачи, а не программируются для их выполнения». Несмотря на точность, это определение не дает нам хорошего понимания того, насколько всепроникающая технология, основанная на машинном обучении, используется в нашей повседневной жизни. Алгоритмы машинного обучения — от смартфонов и потоковых платформ до беспилотных автомобилей и умных часов — помогают организациям и пользователям принимать более обоснованные решения и делать более надежные прогнозы.
Статьи, которые мы выбрали для этого выпуска Workflow, показывают, как возможности машинного обучения KNIME могут быть легко применены разными профессионалами в различных сценариях. От разработки сквозного прогностического конвейера и интерактивного приложения данных для прогнозирования начала диабета до создания синтетических данных для преподавателей машинного обучения — каков ваш вариант использования? В последней статье показано, как объединить KNIME, VCAD и PowerBI для разработки прототипа цифрового двойника для расширенного управления пространством, управления энергопотреблением и эксплуатационного обслуживания в многоквартирном здании. Приятного чтения!
ML для профилактики диабета с KNIME
Авторы Витторио Хаардт и Лука Порчелли
Диабет является широко распространенным хроническим заболеванием, поражающим миллионы людей во всем мире. Это вызвано неспособностью организма регулировать уровень глюкозы в крови и может привести к серьезным осложнениям, таким как болезни сердца, потеря зрения, ампутация нижних конечностей и заболевание почек. Хотя в настоящее время не существует постоянного лекарства, ранняя диагностика и здоровый образ жизни могут свести к минимуму риск развития хронического диабета. В рамках задачи по машинному обучению, организованной совместно Университетом Милана-Бикокка и KNIME, Витторио Хаардт и Лука Порчелли используют возможности машинного обучения KNIME для обучения и развертывания модели GBT, которая прогнозирует риск развития диабет. Результаты анализа отображаются через интерактивное приложение KNIME Data и раскрывают как понимание факторов риска, так и использование инструмента с низким кодом, такого как KNIME Analytics Platform, для исследования, моделирования и визуализации данных.
Создавайте синтетические данные для обучения машинному обучению
Автор Маарит Видманн
Демонстрация задач машинного обучения на практике в учебных целях является сложной задачей. Разные алгоритмы требуют разных свойств данных; введение их всех сразу расширяет данные упражнений до громоздких размеров. В этой статье Маарит Видманн делится решением, которое она приняла в курсе KNIME ML. Вместо поиска, фильтрации и преобразования реальных наборов данных она создает синтетические. Как? Благодаря проверенным компонентам KNIME вы можете генерировать синтетические данные для классификации, регрессии, классификации по нескольким меткам и кластеризации. Используя эти синтетические наборы данных, учащимся проще разработать практические упражнения, чтобы проверить свои знания алгоритмов машинного обучения.
Когнитивный цифровой двойник: расширенное управление зданием и энергопотреблением в многоквартирном доме
Автор Пьерпаоло Вергати
Реализация умного здания, а также управление им становятся сложной деятельностью, требующей сочетания все более специализированных дисциплин по мере того, как интегрированные технологические компоненты становятся многочисленными и разнообразными. Интеграция систем управления зданием в сочетании с анализом генерируемых ими данных может позволить управляющим зданиями получить представление о сложных сетях оборудования, датчиков и устройств. В этой статье Пьерпаоло Вергати показывает, как объединить KNIME, VCAD и PowerBI для разработки прототипа цифрового двойника для расширенного управления пространством, управления энергопотреблением и оперативного обслуживания в многоквартирном здании. Данные исследуются, предварительно обрабатываются и визуализируются. Решение искусственного интеллекта с минимальным кодом для поддержки принятия разумных решений!
Нам нравится изучать новые творческие решения с использованием KNIME из статей, которые мы публикуем, и мы любим делиться ими с вами. Мы гордимся тем, что вместе создали процветающее сообщество, которое поддерживает друг друга, делится опытом и формирует будущее науки о данных с низким кодом.
Увидимся в следующем рабочем процессе,
Редакторы Low Code для науки о данных
PS:📅 #HELPLINE. Хотите обсудить свою статью? Нужна помощь в структурировании вашей истории? Назначьте свидание с редакцией через Calendly (каждый второй четверг).
