Úvod
Promyšleně navržená řešení strojového učení tvoří základ dnešních aplikací umělé inteligence. Od prediktivní analýzy až po přizpůsobená doporučení a další možnosti podporují řešení strojového učení nejnovější technologické pokroky ve společnosti pomocí stávajících dat k vytváření nových přehledů.
Datoví vědci se rozhodují, jak řešit problémy strojového učení různými způsoby. Rozhodnutí, která dělají, ovlivňují náklady, rychlost, kvalitu a dlouhou životnost řešení.
V tomto modulu se dozvíte, jak navrhnout komplexní řešení strojového učení pomocí Microsoft Azure, které je možné použít v podnikovém nastavení. Pomocí následujících šesti kroků jako architektury prozkoumáme, jak plánovat, trénovat, nasazovat a monitorovat řešení strojového učení.
- Definujte problém: Rozhodněte se, co má model předpovědět a kdy je úspěšný.
- Získejte data: Vyhledejte zdroje dat a získejte přístup.
- Příprava dat: Prozkoumání dat Vyčistěte a transformujte data na základě požadavků modelu.
- Trénování modelu: Zvolte algoritmus a hodnoty hyperparametrů na základě zkušební verze a chyby.
- Integrujte model: Nasaďte model do koncového bodu a vygenerujte předpovědi.
- Monitorování modelu: Sledujte výkon modelu.
Poznámka:
Diagram je zjednodušená reprezentace procesu strojového učení. Proces je obvykle iterativní a nepřetržitý. Například při monitorování modelu se můžete rozhodnout, že se vrátíte a znovu model natrénujete.
V dalším kroku se podíváme na to, jak můžeme začít pracovat s řešením strojového učení definováním problému.