Indførelsen
Eftertænksomt designede løsninger til maskinel indlæring udgør grundlaget for nutidens AI-programmer. Fra forudsigende analyser til tilpassede anbefalinger og mere understøtter løsninger til maskinel indlæring de nyeste teknologiske fremskridt i samfundet ved hjælp af eksisterende data til at skabe ny indsigt.
Dataforskere træffer beslutninger om at håndtere problemer med maskinel indlæring på forskellige måder. De beslutninger, de træffer, påvirker omkostningerne, hastigheden, kvaliteten og levetiden af løsningen.
I dette modul lærer du, hvordan du designer en løsning til maskinel indlæring fra ende til anden med Microsoft Azure, som kan bruges i en virksomhedsindstilling. Ved hjælp af følgende seks trin som en struktur undersøger vi, hvordan du planlægger, oplærer, udruller og overvåger løsninger til maskinel indlæring.
- Definer problemet: Beslut, hvad modellen skal forudsige, og hvornår det lykkes.
- Hent dataene: Find datakilder, og få adgang.
- Forbered dataene: Udforsk dataene. Ryd op i og transformér dataene baseret på modellens krav.
- Oplær modellen: Vælg en algoritme og hyperparameterværdier baseret på prøveversion og fejl.
- Integrer modellen: Udrul modellen til et slutpunkt for at generere forudsigelser.
- Overvåg modellen: Spor modellens ydeevne.
Seddel
Diagrammet er en forenklet repræsentation af processen til maskinel indlæring. Processen er typisk iterativ og kontinuerlig. Når du f.eks. overvåger modellen, kan du beslutte at gå tilbage og oplære modellen igen.
Lad os derefter se på, hvordan vi kan komme i gang med en løsning til maskinel indlæring ved at definere problemet.