【O'Reilly TensorFlow Conference 2019】TensorFlow输入功能中的有效采样方法（Effective sampling methods within TensorFlow input functions），Datatonic高级数据科学家Laxmi Prajapat、Datatonic机器学习（ML）研究员Will Fletcher

主题： Effective sampling methods within TensorFlow input functions

摘要： 许多现实世界的机器学习应用程序需要生成或还原数据采样。在训练时，这可能是为了解决班级的不平衡（例如，在二进制分类问题或稀疏的用户-项目交互矩阵中的肯定性很少）或增加文件中存储的数据；这也可能只是效率问题。Laxmi Prajapat和William Fletcher使用tf.data API中提供的工具，在推荐系统的背景下探索了一些采样技术，并详细说明了哪些方法对于给定的数据和硬件需求是有益的。他们提出了定量的结果，并仔细检查了潜在的利弊。

邀请嘉宾：

Laxmi Prajapat，是Datatonic的高级数据科学家，参与端到端项目交付，包括利益相关者管理，数据探索，机器学习，算法设计，自动化和Google Cloud上的生产解决方案。在获得了UCL的天体物理学硕士学位之后，Laxmi在工业界担任了多个技术职务。在学习新事物和挑战自己时，她最快乐。Laxmi一直希望扩大自己的知识并将其实际应用，特别是在机器学习和工程领域。在工作之余，她喜欢探索新美食或找本书迷路。

Will Fletcher，是Datatonic的机器学习（ML）研究员，他专注于公司的技术进步。他对ML最先进的方法有所了解，并具有丰富的研究经验和创新眼光。此前，他的学术生涯始于牛津大学的化学家。后来，他移居UCL，获得了进一步的计算统计和ML硕士学位。除了进行项目和研究工作之外，Will还为公司提供培训日，以帮助他们开始使用ML。他相信持续的教育和学习是卓越技术的重要组成部分。这种激情延伸到他的个人生活中，在那里他玩数学，编程和拼图。