Развлечение с машинным обучением
ШЕСТЬ ШАГОВ ДЛЯ СОЗДАНИЯ БАЗОВОГО ПРОЕКТА ПО МАШИННОМУ ОБУЧЕНИЮ
ну, эта изоляция привела меня сюда, чтобы поделиться своими знаниями о
наука о данных, машинное обучение, аналитика данных и многое другое.
Если вы имеете дело с данными, но все еще запутались, тогда
прочитайте это.
В машинном обучении используются различные алгоритмы, которые итеративно учатся на данных для улучшения, описания данных и прогнозирования результатов. По мере того, как алгоритмы принимают обучающие данные, можно создавать более точные модели на основе этих данных.
Модель машинного обучения - это результат, полученный при обучении алгоритма машинного обучения с использованием данных. После обучения, когда вы предоставляете модели входные данные, вам будет предоставлен выход.
Следующие шаги имеют тенденцию к созданию чего-либо.
Конвейер машинного обучения можно разбить на три основных этапа. Сбор данных, моделирование и развертывание данных. Все зависит друг от друга.
сбор данных: способ сбора данных будет зависеть от вашей проблемы. Мы рассмотрим примеры через минуту. Но одним из способов может быть покупка ваших клиентов в электронной таблице.
Моделирование. Это относится к использованию алгоритма машинного обучения для анализа собранных вами данных.
Развертывание. Он использует ваш набор инструкций в приложении. Это приложение может быть чем угодно: от рекомендации продуктов покупателям в вашем интернет-магазине до маркетинговых исследований, которые пытаются лучше предсказывать более качественные продукты.
Здесь мы в основном сосредотачиваемся на построении модели машинного обучения.
Прежде чем рассказать об этих шести шагах, я хочу рассказать вам о разнице между обычным алгоритмом и алгоритмом машинного обучения.
Подобно рецепту приготовления вашего любимого блюда из курицы, обычный алгоритм представляет собой набор инструкций о том, как превратить набор ингредиентов в вкусную курицу в сливочном масле.
Что отличает алгоритм машинного обучения, так это то, что вместо набора инструкций вы начинаете с ингредиентов и готового финального блюда. Затем алгоритм машинного обучения просматривает ингредиенты и готовое блюдо и разрабатывает набор инструкций.
Приведенный выше пример - мой любимый способ понять ML.
Думаю, пора открыть мои шесть шагов.
1 .. Определение проблемы - Какую проблему мы пытаемся решить? Как можно мыслить машинным обучением?
2 .. Данные - если машинное обучение извлекает пользу из данных, какие данные у нас есть? Как это соответствует определению проблемы? Наши данные структурированы или неструктурированы? Статический или непрерывный, дискретный или потоковый?
3 .. Оценка - Что определяет успех? Достаточно ли хороша модель машинного обучения с точностью 95%?
4 .. Особенности - Какие части наших данных мы собираемся использовать для нашей модели? Как то, что мы уже знаем, может повлиять на это? Функции - это атрибуты в файле данных или CSV-файле.
5. Моделирование. Какую модель выбрать? Как вы можете это улучшить? Как вы его сравниваете с другими моделями?
6. Эксперименты. Что еще мы могли попробовать? Наша развернутая модель работает так, как мы ожидали? Как меняются другие шаги в зависимости от того, что мы обнаружили?
Это основные шаги, которые вам нужно выполнить.
Моя следующая история - это краткое объяснение этих шести шагов.
Теперь пришло время закончить мою историю,
Всем спасибо
поддержите меня, и скоро я дам несколько интересных объяснений.
