Как перейти от необработанных данных к полностью работающим решениям для машинного обучения?
Если вы инженер-программист, я уверен, что в какой-то момент вы захотели «немного машинного обучения», раскрыть секреты Вселенной и найти окончательный ответ на жизнь, Вселенную и все остальное.
Тем не менее, машинное обучение может быть довольно большой и пугающей темой: парадигма, совершенно отличная от того, что вы обычно делаете / используете изо дня в день, за счет больших данных, математических моделей ... короче: это выход из привычного зона комфорта.
Но это нормально - на самом деле, это вторая часть серии статей, в которой я попытаюсь познакомить вас с основными концепциями машинного обучения.
Вы можете найти первую часть здесь.
Выполнив шаги, указанные во вводной статье, вы окажетесь в положении, в котором у вас будет очень четкая и четко сформулированная проблема и набор высокоскоростных, объемных, разнообразных и высокоточных данных, которые мы называем « большие данные".
Как же тогда перейти с нуля до героя?
- Подготовьте свои данные
- Выборочные алгоритмы машинного обучения
- Уточните свои результаты
Как только вы добьетесь желаемого результата, пора визуализировать данные и стать героем!
