Einführung

Abgeschlossen

Durchdachte Machine Learning-Lösungen bilden die Grundlage der heutigen KI-Anwendungen. Von prädiktiven Analysen bis hin zu personalisierten Empfehlungen und darüber hinaus unterstützen Lösungen für maschinelles Lernen die neuesten technologischen Fortschritte in der Gesellschaft, indem vorhandene Daten verwendet werden, um neue Erkenntnisse zu erzeugen.

Als wissenschaftliche Fachkraft für Daten können Sie Entscheidungen treffen, um Probleme beim maschinellen Lernen auf unterschiedliche Weise anzugehen. Die Entscheidungen, die Sie treffen, wirken sich auf die Kosten, Geschwindigkeit, Qualität und Langlebigkeit der Lösung aus.

In diesem Modul erfahren Sie, wie Sie eine End-to-End-Lösung für maschinelles Lernen mit Microsoft Azure entwerfen, die in einer Unternehmensumgebung verwendet werden kann. Mit den folgenden sechs Schritten als Framework untersuchen wir, wie Lösungen für maschinelles Lernen geplant,trainiert, bereitgestellt und überwacht werden.

Diagramm mit den sechs Schritten im Machine Learning-Prozess.

  1. Definieren des Problems: Entscheiden Sie, was das Modell vorhersagen soll und wann es erfolgreich ist.
  2. Abrufen der Daten: Suchen Sie nach Datenquellen, und verschaffen Sie sich Zugriff.
  3. Aufbereiten der Daten: Erkunden Sie die Daten. Bereinigen und transformieren Sie die Daten basierend auf den Anforderungen des Modells.
  4. Trainieren des Modells: Wählen Sie einen Algorithmus und Hyperparameterwerte auf Grundlage von Versuch und Irrtum.
  5. Integrieren des Modells: Stellen Sie das Modell an einem Endpunkt bereit, um Vorhersagen zu generieren.
  6. Überwachen des Modells: Verfolgen Sie die Leistung des Modells.

Hinweis

Das Diagramm ist eine vereinfachte Darstellung des Machine Learning-Prozesses. In der Regel ist der Prozess iterativ und kontinuierlich. Bei der Überwachung des Modells können Sie beispielsweise beschließen, das Modell erneut zu trainieren.