Ух ты! Какой это был захватывающий день! На меня обрушилось столько информации, что позже моему мозгу может понадобиться раствор английской соли, из-за которого он может сморщиться?.. и не делает. Итак, какие знания я получил сегодня? Давайте погрузимся прямо в!
Прежде всего, мы взялись за концепцию формулирования проблемы. При столкновении с проблемой крайне важно противостоять ей лицом к лицу и определить ключевые элементы, которые необходимо рассмотреть, чтобы найти решение. Например, представьте себе дилемму выбора вкуса мороженого. Должен ли это быть Oreo, тесто для печенья или банановый пудинг?
Цель состоит в том, чтобы заявить миру: «К какому вкусу я стремлюсь?!»
Внимательно посмотрите на саму проблему. Это может показаться сложным, но вы должны внимательно изучить его. Не обращайте внимания на глаза щенка и сосредоточьтесь. Подходит ли эта задача для машинного обучения? В конце концов, машины играют роль в приготовлении мороженого, поэтому они должны быть дальними родственниками. В качестве аргумента предположим, что мы хотим обучить модель машинного обучения предлагать разные вкусы мороженого. Вуаля! У нас есть вариант использования!
Давайте не будем забывать, что было время, когда машины не могли учиться. Поэтому очень важно убедиться, что ваше текущее решение уже не является лучшим из доступных. Они используют технику, называемую эвристикой, которая определяется как простой, быстрый и точный подход с уровнем точности выше 80%. При рассмотрении машинного обучения в качестве потенциального решения крайне важно использовать этот эвристический подход в качестве эталона. Начните с оценки качества и стоимости. Сможет ли машинное обучение значительно повысить эффективность и точность, не погружая вас в финансовые долги? Или это просто возможность похвастаться обучением модели машинного обучения? (Эго раздуто!)
Еще одна ценная практика — анализ данных. Без данных не на чем обучать вашу модель, что не позволяет ей делать эти фантастические прогнозы теста для печенья. Задайте себе несколько важных вопросов. Доступно ли множество данных? Откуда берутся данные? Отзывы клиентов? Из уст в уста? Или на это повлияла исключительно ваша личная любовь к тесту для печенья (которая может быть предвзятой)? Являются ли данные последовательными и надежными? Можно ли доверять источнику данных? Насколько точны данные? И, наконец, будут ли эти данные точно представлять реальные сценарии? (Кстати, шоколадная стружка с мятой заслуживает место в тройке лучших!)
Анализируя свою проблему и выделяя необходимые компоненты для решения, вы делаете важные начальные шаги к построению хорошо обученной модели.
