Kaggle ir tiešsaistes platforma datu zinātnei un mašīnmācīšanās, kas kopš 2017. gada pieder Google. Tā piedāvā publiskas datu kopas, sacensības, kas balstītas uz reālām problēmām, pārlūkprogrammas piezīmjdatorus ar skaitļošanas resursiem un mācību kursus. Organizācijām un apguvējiem tā ir noderīga metožu izmēģināšanai, pieeju salīdzināšanai vai talantu atrašanai. Pirms lietošanas jāpārbauda jebkuras datu kopas licence un izcelsme.
Mašīnmācīšanās ir mākslīgā intelekta nozare, kurā datori likumsakarības atvasina no datiem, nevis katrs noteikums tiek skaidri ieprogrammēts. Atkarībā no uzdevuma modeļi mācās no marķētiem piemēriem (ar uzraudzību), no nemarķētiem datiem (bez uzraudzības) vai ar atlīdzībām (pastiprinātā mācīšanās). Lietojumi ir no surogātpasta filtriem un pieprasījuma prognozēm līdz produktu ieteikumiem. Kvalitāte lielā mērā ir atkarīga no apmācības datu daudzuma un kvalitātes.
Jupyter Notebook ir Project Jupyter atvērtā pirmkoda pārlūkprogrammas lietojumprogramma, kas vienā dokumentā apvieno izpildāmu kodu, rezultātus, diagrammas un skaidrojošu tekstu. Piezīmjdatori plaši tiek izmantoti datu analīzē, mašīnmācīšanās, pētniecībā un mācībās, jo katru soli var dokumentēt un kopīgot izsekojamā veidā. Visbiežāk lietotā valoda ir Python. Piemērs: analītiķis ielādē pārdošanas datus, iztīra tos un rezultātus tieši zem tiem parāda diagrammā.
MI jomā etalontestēšana (benchmarking) nozīmē sistemātisku modeļu vai sistēmu salīdzināšanu, izmantojot noteiktus uzdevumus un kritērijus. Publiski etalontesti mēra, piemēram, vispārējās zināšanas, spriešanas vai programmēšanas spējas; praktiskai izmantošanai tomēr vissvarīgākie ir testa gadījumi no jūsu pašu ikdienas darba. Tipiski kritēriji ir precizitāte, pilnīgums, atbildes laiks un izmaksas. Tas palīdz izlemt, vai mazāks, lētāks modelis konkrētam uzdevumam ir pietiekami labs.
Apmācības dati ir piemēri, no kuriem MI modelis apgūst likumsakarības: lielas teksta kolekcijas valodas modeļiem, marķēti attēli attēlu modeļiem. To kvalitāte, daudzveidība un aktualitāte lielā mērā nosaka, cik uzticams un taisnīgs ir modelis un cik aktuālas ir tā zināšanas. Organizācijām ir svarīgi arī tas, vai pakalpojumu sniedzējs ievadītos klientu datus izmanto tālākai apmācībai.
