После множества проектов по машинному обучению стало ясно, что мне нужно выполнить только эти шаги, чтобы разработать эффективную модель машинного обучения или решить проблему машинного обучения.
Шаг 1. Определение проблемы
«Какую проблему мы пытаемся решить?» ,
«Можно ли это решить с помощью алгоритма ‹x›?» ,
«Должен ли я использовать обучение с учителем, обучение без учителя или обучение с подкреплением для этой проблемы?»
Вот вопросы, которые вам нужно задать на этом первом этапе определения проблемы.
Шаг 2. Данные
Решение задачи машинного обучения без данных похоже на приготовление пищи без тепла, это верно, вы не можете. Если у вас есть данные, продолжайте, иначе вам нужно собрать соответствующие данные для вашего проекта. Затем попытайтесь выяснить, какие данные у вас есть. Он неструктурирован? или это структурировано? или это просто полуструктурировано?
Шаг 3. Оценка
К чему мы стремимся?
Что для нас успех?
Что мы пытаемся оптимизировать?
Какова наша целевая функция?
Обычно это вопросы, которые мы задаем себе на этом этапе.
Шаг 4. Функции
«Что мы уже знаем о данных?»
«Какие параметры из наших данных нам нужны для решения нашей задачи машинного обучения?»
«Можем ли мы уменьшить размерность?»
«Какие важные особенности коррелируют с лучшей целевой функцией?»
Шаг 5. Моделирование
Мы разрабатываем правильную модель машинного обучения для наших данных, которая также соответствует нашей целевой функции.
Например, мы могли бы рассмотреть возможность использования CNN для проблем с изображениями вместо регрессии.
Шаг 6. Эксперимент
Этот шаг обычно фокусируется на том, как мы можем улучшить то, что у нас есть. Итак, мы смоделировали и обучили модель, и теперь нам нужно повысить точность на этом этапе. Итак, мы идем дальше и пытаемся улучшить модель, пробуя различные параметры и другие модели.
Вот и все!!! Выполните все эти шаги в качестве шаблона для ваших проблем ML.
