CASPR
1.0.0
CASPR — это платформа на основе преобразователя для глубокого обучения на основе последовательных данных в табличном формате, наиболее распространенная в бизнес-приложениях.
Задачи, критически важные для прибыльности предприятия, такие как прогнозирование оттока клиентов, обнаружение мошеннических счетов или оценка жизненной ценности клиента, часто решаются с помощью моделей, обученных на функциях, разработанных на основе данных о клиентах в табличном формате. Однако разработка функций, специфичных для конкретного приложения, со временем увеличивает затраты на разработку, ввод в эксплуатацию и обслуживание. Недавние достижения в обучении представлению открывают возможность упростить и обобщить разработку функций во всех приложениях.
С помощью CASPR мы предлагаем новый подход к кодированию последовательных данных в табличном формате (например, транзакции клиентов, история покупок и другие взаимодействия) в общее представление связи субъекта (например, клиента) с бизнесом. Мы оцениваем эти внедрения как функции для обучения нескольких моделей, охватывающих различные приложения (см. статью). CASPR, прогнозирование и представление на основе последовательности действий клиента, применяет архитектуру преобразователя для кодирования последовательностей действий, чтобы повысить производительность модели и избежать индивидуального проектирования функций для разных приложений. Наши масштабные эксперименты подтверждают эффективность CASPR как для малых, так и для крупных корпоративных приложений.
CASPR: прогнозирование и представление на основе последовательности действий клиентов (NeurIPS 2022, Новый Орлеан: обучение табличному представлению)
Строить
python==3.9, setuptoolspython setup.py build bdist_wheelУстановка
(now)
pip install .distAI.Models.CASPR-<ver>.whl[<optional-env-modifier>]
(future)
pip install AI.Models.CASPR[<optional-env-modifier>]
используйте любой из приведенных ниже модификаторов, чтобы настроить установку для целевой системы/варианта использования:
horovod - for distributed training and inference on Horovod
databricks - for distributed training and inference on Databricks
aml - for (distributed) training and inference on Azure ML
hdi - for execution on Azure HD Insights
xai - to enable explainability
test - for extended test execution
dev - for development purposes only
Примеры
(ТОДО: можем ли мы указать на хорошо прокомментированный один из наших примеров с данными или без них?)
Мы приветствуем вклады! Пожалуйста, ознакомьтесь с правилами внесения взносов.
Для запросов на добавление функций или отчетов об ошибках отправьте сообщение о проблеме на GitHub.
В этом проекте принят Кодекс поведения Microsoft с открытым исходным кодом. Для получения дополнительной информации см. часто задаваемые вопросы о Кодексе поведения или свяжитесь с нами по адресу [email protected], если у вас возникнут дополнительные вопросы или комментарии.
Этот проект лицензируется по лицензии MIT.
