탐색 적 데이터 분석 및 알고리즘 개발에서 대부분의 시간은 시각화, 코드 작성, 작은 데이터 세트에서 실행, 반복의주기에 소비됩니다. 내가 데이터는 컴퓨터 비전 / 센서 융합 유형 인 경향이 있고, 알고리즘은 시력이 무겁고 (예를 들어 객체 감지 및 추적 등), 기성 알고리즘은이 맥락에서 작동하지 않습니다. 나는 이것이 많은 반복 (예 : 알고리즘 유형을 다이얼하거나 알고리즘의 매개 변수를 조정하거나 시각화를 올바르게 얻는 데)이 필요하며 작은 데이터 세트에서도 실행 시간이 상당히 길다는 것을 알았습니다. 모두 함께 시간이 걸립니다.
알고리즘 개발 자체의 속도를 높이고 확장 성을 높일 수있는 방법은 무엇입니까?
몇 가지 구체적인 과제 :
반복 횟수를 어떻게 줄일 수 있습니까? (예를 들어, 알고리즘의 특성은 말할 것도없고 어떤 버전의 알고리즘이 다른 버전을 시도하고 그들의 행동을 조사하지 않고 쉽게 예측할 수없는 것처럼 보일 때)
개발 중에 더 큰 데이터 세트를 실행하는 방법은 무엇입니까? (종종 작은 데이터에서 큰 데이터 세트로가는 것은 많은 새로운 행동과 새로운 문제가 보이는 경우입니다)
알고리즘 매개 변수를 어떻게 더 빠르게 조정할 수 있습니까?
기계 학습 유형 도구를 알고리즘 개발 자체에 적용하는 방법은 무엇입니까? (예를 들어, 알고리즘을 직접 작성하는 대신 간단한 빌딩 블록을 작성하고 문제 등에서 배운 방식으로 결합하십시오.)