¿Cómo escalar un proceso de entrenamiento pesado? | Computación distribuida en Machine Learning

[@Sebpv2006]

Un video muy bueno !!! Gracias por publicarlo.

[@fullscan]

Muchas gracias!

[@germantuto6637]

Hola Luis, no has pensado en hacerte patreon o poner ventajas para tu canal? Tu contenido personalmente me encanta, ahora he podido dar el salto al mundo del ML profesionalmente y estos videos me dan la vida, gracias.

[@fullscan]

Hola German, pues es una idea que llevo dándoles vueltas, pero no sé hasta qué punto puedo compaginar esta "afición" con mi trabajo. Que ventajas se te ocurre que podría poner?

[@sirzanty1559]

Recién lo abrí solo sé que es algo muy interesante y espero comprenderlo al 100%

[@fullscan]

Gracias!!

[@fernandoclar]

Interesante contenido! Gracias

[@christiansv_v]

Contenido del bueno

[@Jose-pq4ow]

Hola Luis, muy interesante el video, enhorabuena por tu contenido. En un momento dices que la tarea de escalar el entrenamiento de un modelo es mas tarea de sistemas que de ML, aunque tienes razon en ocasiones no es asi, a veces no te queda otra que escalar haciendo el batch mas grande (asi ocupas mas VRAM) por lo que puedes toparte con problemas de convergencia, en este caso si que ademas de sistemas te tienes que meter en ML :) Por otro lado no se que opinas tu pero yo creo que la investigacion en el campo del Deep Learning no esta llendo por el camino correcto, los paper que se publican no son mas que modificaciones de arquitecturas ya existentes y entrenadas con recursos millonarios. El rico se esta haciendo mas rico ya que es el que tiene recursos el que publica y, por lo tanto, recibe fondos, lo que hace que la rueda entorno a la investigacion que se hace se cierre mas jaja. A ver si conseguimos que la cosa cambie :)

[@fullscan]

Totalmente de acuerdo Jose! El data scientist juega un papel clave sin duda!

[@xmagcx1]

hola buenas, excelentes tus videos, cuando subiras mas contenido??

[@Michael-b7z8y]

genial