【智慧製造】實作工業預測性維護 (predictive maintenance):執行篇

預測性維護 (Predictive maintenance) 有助於企業延長設備年限能否延長,藉由讓生產系統更加可靠,來減少設備的停機時間。在本系列文的前 2 篇文章中(第一部分第二部分在此,歡迎讀者閱讀),我們確定了企業可能會想部署預測系統的原因,並說明了一般匯入預測系統的感應器和資料類型。在本系列文的第三篇也是最後一篇的文章中,我們將會解釋我們如何從 Google Cloud Platform (GCP) 各項產品中,建立一個完整的預測性維護參考解決方案,包括Cloud IoT CoreCloud IoT Edge BigQueryCloud Dataflow 等資料處理工具,以及 Cloud ML Engine 等等的機器學習平台。 Continue reading “【智慧製造】實作工業預測性維護 (predictive maintenance):執行篇”

Hearst Newspapers:透過雲端機器學習與讀者深度互動

對新聞出版商而言,讓讀者能夠在數位內容上快速且精準取得感興趣的文章和廣告非常重要。以全球最大的大眾媒体出版商之一 ── Hearst 媒體集團旗下的新聞部門 Hearst Newspapers 來說,要將內容妥善分類,曾是非常艱鉅的過程。他們平均每天要分類 3,000 篇新文章,標記和分類都非常耗時,而且編輯團隊為了趕上進度,常常不得不將某些內容優先排序處理,而某些文章不予分類。

Continue reading “Hearst Newspapers:透過雲端機器學習與讀者深度互動”

如何在 TensorFlow 內建立推薦系統:部署推薦系統 (四)

本文是教學系列的第四部分,教您如何在 TensorFlow 和 Cloud ML Engine 實行 machine learning (ML) 推薦系統。這個部分教導您如何在 GCP 上部署生產系統,並針對產品提供建議和定期更新推薦模型。

這個教學系列包括以下部分:

Continue reading “如何在 TensorFlow 內建立推薦系統:部署推薦系統 (四)”

如何在 TensorFlow 部署推薦系統:在 Google Analytics (分析) 的資料上應用 (三)

本文是一系列教學的第三部分,向您展示如何利用 Google Cloud Platform(GCP) 中的 TensorFlowCloud Machine Learning Engine 實作機器學習 (ML) 推薦系統。本文將會介紹如何利用 Google Analytics 360 收集的數據,透過 TensorFlow 建模做到網站的內容推薦。 Continue reading “如何在 TensorFlow 部署推薦系統:在 Google Analytics (分析) 的資料上應用 (三)”

如何在 TensorFlow 部署推薦系統:訓練和調校 Cloud ML Engine (二)

本文是多教程系列的第二部分,將展示如何透過 TensorFlowCloud ML Engine 部署機器學習 (ML) 推薦系統。在這個單元中,您將學習到:如何使用 GCP 中的 Cloud ML Engine 來訓練推薦系統,並調整其中的超參數。 Continue reading “如何在 TensorFlow 部署推薦系統:訓練和調校 Cloud ML Engine (二)”