O trabalho diário de aprendizado de máquina geralmente se resume a uma série de experimentos na seleção de uma abordagem de modelagem e topologia de rede, treinamento de dados e otimização ou aprimoramento do modelo。科学家们可以在experiência e a intuição para criar hipóteses de mudanças e depois mediacor impacto dessas mudanças no desempenho geral do modelo。À medida que essa prática amadureceu, nossos times descobriram uma demanda crescente deFerramentas de rastreamto de experiments para prendizado de máquina．Essas ferramentas ajudam as pessoas as a comppanhar os experimentes e trabalhar com e forma metódica。Embora nenhuma venencedora incontestável tenha surido, ferramentas comoMLflowe plataformas科莫彗星欧海王星介绍严格的重复的学习方法，以便在máquina的基础上进行学习。
O trabalho diário em aprendizado de máquina frequentemente inclui uma série de experimentos na seleção uma abordagem de modelagem, topologia de rede, treinamento de dados e várias otimizações ou调整不modelo。我们可以把我们的模型写在difíceis中解释清楚，科学家可以把我们的模型写在experiência e intuição para criar hipóteses de mudanças e então可以影响我们的模型mudanças têm没有全球模型。符合我们的模式，可以在negócios, várias的系统中使用Ferramentas de rastreamto experiments是para aprendizado de máquinaSurgiram para ajudar进行了一项监测试验。恩博拉não tenha surido uma venedora, ferramentas comoMLflow欧重量和偏见e plataformas科莫彗星欧海王星引入严格的重复的练习，让他们做一些关于máquina的练习。Elas também facilitam a colaboração e ajudam a ciência de dados a se transformar de uma empreitada solitária em um esporte coletivo。
