チュートリアルの概要

インタラクティブなチュートリアルで W&B を使い始めましょう。

​

Fundamentals

以下のチュートリアルでは、機械学習の 実験管理 、 モデルの評価 、 ハイパーパラメータチューニング 、 モデル や データセット の バージョン管理 など、W&B の基本操作について説明します。

Track experiments

W&B を使用して、機械学習の 実験管理 、 モデル の チェックポイント 保存、チームとのコラボレーションなどを行います。

Visualize predictions

MNIST データセット を用いた PyTorch での トレーニング 中に、 モデル の 予測 を追跡、可視化、比較します。

Tune hyperparameters

W&B Sweeps を使用して、学習率、 バッチサイズ 、隠れ層の数などの ハイパーパラメーター の組み合わせを自動的に探索する組織化された手法を構築します。

Track models and datasets

W&B Artifacts を使用して、ML 実験 パイプライン を追跡します。

​

人気の ML フレームワーク チュートリアル

人気の ML フレームワーク やライブラリを W&B で使用する方法について、ステップバイステップの情報を確認してください。

PyTorch

W&B を PyTorch コード に インテグレーション し、 パイプライン に 実験管理 を追加します。

HuggingFace Transformers

W&B インテグレーション を使用して、Hugging Face モデル のパフォーマンスを素早く可視化します。

Keras

W&B と Keras を使用して、機械学習の 実験管理 、 データセット の バージョン管理 、 プロジェクト のコラボレーションを行います。

XGBoost

W&B と XGBoost を使用して、機械学習の 実験管理 、 データセット の バージョン管理 、 プロジェクト のコラボレーションを行います。

​

その他のリソース

W&B AI Academy を訪れて、 アプリケーション で LLM を トレーニング 、 ファインチューニング し、活用する方法を学びましょう。MLOps や LLMOps ソリューションを実装しましょう。W&B の コース で、実世界の ML の課題に取り組みましょう。

• 大規模言語モデル (LLMs)
  • LLM Engineering: Structured Outputs
  • Building LLM-Powered Apps
  • Training and Fine-tuning Large Language Models
• 効果的な MLOps
  • Model CI/CD
  • Effective MLOps: Model Development
  • CI/CD for Machine Learning (GitOps)
  • Data Validation in Production ML Pipelines
  • Machine Learning for Business Decision Optimization
• W&B Models
  • W&B 101
  • W&B 201: Model Registry