Sökning: "datavetare"
Visar resultat 1 - 5 av 12 uppsatser innehållade ordet datavetare.
1. Designprocessen och maskininlärning: Framtiden för användarcentrerad design
Kandidat-uppsats, Stockholms universitet/Institutionen för data- och systemvetenskapSammanfattning : Artificiell intelligens (AI) och i synnerhet maskininlärning (ML) har inom UX-design visat potential att förbättra designprocessen genom att exempelvis identifiera användargrupper från stora datamängder, effektivisera idégenerering och automatisera repetitiva uppgifter. Det råder dock oenighet kring hur tekniken kan integreras i designprocessen. LÄS MER
2. Data-driven process improvement in production : A Master Thesis carried out at Scania CV
Master-uppsats, KTH/ProduktionsutvecklingSammanfattning : The manufacturing industry is currently in its fourth paradigm shift, commonly referred to as Industry 4.0. As a part of this shift, the importance of collecting production data is ever increasing, due to its potential value. LÄS MER
3. Faster Reading with DuckDB and Arrow Flight on Hopsworks : Benchmark and Performance Evaluation of Offline Feature Stores
Master-uppsats, KTH/Skolan för elektroteknik och datavetenskap (EECS)Sammanfattning : Over the last few years, Machine Learning has become a huge field with “Big Tech” companies sharing their experiences building machine learning infrastructure. Feature Stores, used as centralized data repositories for machine learning features, are seen as a central component to operational and scalable machine learning. LÄS MER
4. Compressing Deep Learning models for Natural Language Understanding
Master-uppsats, KTH/Skolan för elektroteknik och datavetenskap (EECS)Sammanfattning : Uppgifter för behandling av naturliga språk (NLP) har under de senaste åren visat sig vara särskilt effektiva när man använder förtränade språkmodeller som BERT. Det enorma kravet på datorresurser som krävs för att träna sådana modeller gör det dock svårt att använda dem i verkligheten. LÄS MER
5. Data Build Tool (DBT) Jobs in Hopsworks
Master-uppsats, KTH/Skolan för elektroteknik och datavetenskap (EECS)Sammanfattning : Feature engineering at scale is always critical and challenging in the machine learning pipeline. Modern data warehouses enable data analysts to do feature engineering by transforming, validating and aggregating data in Structured Query Language (SQL). LÄS MER