Khóa học
Nhập môn Python
4 giờ
7.1M
Khoa học dữ liệu và máy học chưa bao giờ phổ biến như hiện nay. Cùng với sự phát triển của lĩnh vực là sự trưởng thành của toàn bộ hệ sinh thái công cụ dành cho người làm nghề ngày nay.
Một điểm đáng chú ý là sự xuất hiện của nhiều công cụ, startup và cả những danh mục mới nhằm giải quyết các vấn đề cụ thể mà các nhà thực hành và tổ chức gặp phải. Trong infographic này, chúng tôi cung cấp cái nhìn tổng quan về bức tranh công cụ trong khoa học dữ liệu và máy học năm 2022.
Để tải phiên bản có thể tải xuống của infographic này, hãy nhấn vào hình ảnh phía trên.
Bên dưới, bạn sẽ tìm thấy phần tổng quan chi tiết về các công cụ được đề cập trong infographic.
Quản lý dữ liệu
Một bước tiến lớn của hệ thống công cụ trong vài năm qua là sự ra đời của nhiều công cụ cho phép người dùng quản lý dữ liệu tốt hơn cho quy trình khoa học dữ liệu và máy học. Chúng bao gồm từ các công cụ tạo dữ liệu tổng hợp giúp tạo dữ liệu, công cụ quan sát dữ liệu để giám sát pipeline dữ liệu trong môi trường sản xuất, công cụ quản lý phiên bản dữ liệu cung cấp kiểm soát phiên bản, công cụ tạo pipeline và điều phối cho phép sắp xếp quy trình làm việc, danh mục dữ liệu giúp trưng bày dữ liệu của tổ chức để sử dụng, và hơn thế nữa.
Dữ liệu tổng hợp
Quan sát dữ liệu
Quản lý phiên bản dữ liệu
Gán nhãn dữ liệu
Tạo pipeline dữ liệu
Điều phối dữ liệu
Danh mục dữ liệu
Nền tảng Máy học đầu-cuối
Các nền tảng máy học đang dần trở thành tiêu chuẩn. Những nền tảng này cung cấp khả năng thực hiện máy học đầu-cuối từ xử lý đặc trưng đến triển khai, với một số công cụ hỗ trợ tự động hóa quá trình học máy và triển khai.
Mô hình hóa
Trong hệ sinh thái khoa học dữ liệu, có vô vàn công cụ từ Notebook & IDE, gói và phần mềm phân tích dữ liệu, trực quan hóa dữ liệu, kho đặc trưng để lưu trữ các đặc trưng dùng trong máy học, thư viện học sâu và học máy, thư viện tối ưu siêu tham số, công cụ gỡ lỗi mô hình, và nhiều hơn nữa.
Notebook & IDE
- JupyterLab
- Google Colab
- Deepnote
- VSCode
- Amazon SageMaker Studio Lab
- JetBrains
- Spyder
- DataCamp Workspace
- RStudio
Phân tích dữ liệu
Trực quan hóa dữ liệu
Kho đặc trưng
Các framework Học máy
Các framework Học sâu
Tối ưu siêu tham số
Giải thích mô hình
Gỡ lỗi mô hình
Triển khai
Hai năm qua chứng kiến sự trỗi dậy của MLOps và tầm quan trọng của việc triển khai mô hình máy học vào sản xuất. Điều này đã thúc đẩy sự phát triển và tiến hóa của các công cụ cho phép đóng gói mô hình thành ứng dụng, giám sát mô hình trong sản xuất, theo dõi thí nghiệm ở quy mô lớn, và phục vụ mô hình vào sản xuất.
