data scientists | BriefGPT - AI 论文速递

关键词data scientists

搜索结果 - 11

通过 “Shadow Pipelines” 交互式提高机器学习数据准备代码
通过使用隐藏变体的阴影管道自动检测潜在问题、尝试修改以改善性能并向用户提出和解释这些修改的建议，我们提出在机器学习管道开发周期中通过交互式建议来支持数据科学家，并应用基于增量视图维护的优化来确保低延迟计算和维护阴影管道的可行性和潜在好处。
PDF2 months ago
数据代理：评估大型语言模型对无标注、自然语言查询的回答能力
评估了 OpenAI 的 GPT-3.5 作为一种 “语言数据科学家”(LDS) 的能力，通过评估其在多个标准上的性能，包括与诸如 NumPy、Pandas、Scikit-Learn 和 TensorFlow 等库相关的数据科学代码生成任务
PDF3 months ago
Saturn 平台：金融服务的基础模型操作和生成性人工智能
Saturn 是一个创新平台，用于辅助基础模型（FM）的构建和与 IT 运营的整合。该平台定制来满足数据科学家的需求，使他们能够有效地创建和实施 FM，并增强其技术领域内的协作。Saturn 通过提供各种工具和功能，简化和自动化 FM 开发
PDF7 months ago
数据科学家的保证论证操作化：在机器学习测试数据质量方面的概念和工具展示
我们提出了一个基于 Python 和 Jupyter Notebook 技术的框架，以支持机器学习组件中的 ACs 的实施，旨在使 ACs 中关于测试数据质量的相关证明过程更加有效。
PDF7 months ago
制表深度学习特征选择性能驱动基准
通过使用真实数据集和多种生成多余特征的方法，我们构建了一个具有挑战性的特征选择基准，对包括 Transformer 在内的下游神经网络进行评估，同时提出了一种基于输入梯度的神经网络 Lasso 变体，相较于经典的特征选择方法在选择受损或二阶
PDF8 months ago
论道德人工智能中不确定性的含义：哲学与实践
解决数据科学家、统计学家和建模者在开发人工智能系统时应该负什么样的责任以及如何进行问责的争议性话题，通过减少不透明性并提高决策过程的透明度和追溯性，强调了统计学基础对人工智能系统的发展的重要性，以及如何解读和应对系统结果，从而增强模型对反馈
PDF10 months ago
用 Desbordante 解决数据质量问题：演示
数据概述是现代数据驱动行业中的重要过程，而 Desbordante 是一个旨在弥合现有数据分析系统与当代数据科学家工具之间差距的开源数据概述工具，致力于解决复杂统计在数据质量问题中的应用。
PDFa year ago
托管的地理分布式特征存储：架构和系统设计
为了解决机器学习中特征工程管道独立维护导致的重复和冲突问题，本文介绍了一个管理型特征存储的核心架构组件和设计经验.
PDFa year ago
数据科学家如何审查学术文献
本文研究数据科学家的文献综述实践，并通过 20 个数据科学家的半结构化访谈和思考协议证实，数据科学家在跨学科领域面临挑战，缺少细节和数学内容，借助代码，博客和演讲的知识背景解决文献信息过载问题和借助线上和线下同事的支持。最后，我们概述未来方
PDFa year ago
EMNLP数据科学代码生成模型的执行评估
介绍了一个解决数据科学代码生成任务执行评估缺乏的问题的方法 ExeDS，包括一个包含 534 个问题的数据集，并对表现高的 5 个最先进的代码生成模型进行了执行结果评估，发现表面形式得分高的模型不一定表现良好，表达的是执行度量标准可以更好地
PDF2 years ago
AAAI组件不匹配是在公共部门领域应用 AI 系统的关键瓶颈
本文研究了在 ML/AI 系统集成中，不同领域的从业人员（数据科学家、软件工程师和运营人员）所做的隐含假设，并从几个不同的角度提供了实例，以便更好地理解系统匹配的不同类别。为了使 ML/AI 组件有意义地推广，我们需要了解现有的不匹配之处，
PDF5 years ago