Эта статья является последней в серии под названием Машинное обучение — это не чудо, в которой рассказывается, как начать работу с машинным обучением с помощью знакомых инструментов, таких как Excel, Python, Jupyter Notebooks и облачных сервисов от Azure и Amazon. Веб-сервисы. Заходите сюда каждую пятницу, чтобы узнать о будущих платежах.
Когда вы только начинаете работать с алгоритмами машинного обучения, было бы неплохо выучить формулу в Excel. Это даст вам полное понимание концепции алгоритма. Но для разработки воспроизводимых моделей машинного обучения, которые работают с новыми точками данных, мы должны использовать зрелые платформы и инструменты. Как только вы ознакомитесь с концепциями, вы можете начать использовать библиотеки более высокого уровня, такие как NumPy и Scikit-learn в Python. В следующих частях этого руководства я покажу вам процесс настройки и использования Python с тем же вариантом использования, основанным на калькуляторе заработной платы Stack Overflow.
В последней части этого руководства я представил концепцию линейной регрессии с помощью Microsoft Excel. Мы использовали функцию ЛИНЕЙН для проверки наших предположений, а также использовали ее для прогнозирования заработной платы для значений, выходящих за пределы исходного набора данных.
В этой части мы поймем, как упростить линейную регрессию для точности и точности. В этом процессе мы будем исследовать обучающий компонент машинного обучения.
Теперь, когда у нас есть базовое понимание линейной регрессии, давайте подробнее рассмотрим обучающую часть машинного обучения.
Если такой инструмент, как Microsoft Excel, может выполнять машинное обучение, к чему вся эта шумиха и шумиха? Если ML — это всего лишь применение правильного алгоритма к данным, то где же аспект обучения и обучения? Попробуем получить на него ответ.
Помните, что по сравнению с фактической зарплатой наш прогноз был плюс-минус 100 долларов. Хотя это может не иметь большого значения в простых сценариях, разница может сильно различаться в сложных наборах данных, что делает прогнозы неточными и почти бесполезными.
Читать всю статью на The New Stack
Janakiram MSV — аналитик, консультант и архитектор. Подпишитесь на него в Twitter, Facebook и LinkedIn.
