Innføring
Gjennomtenkt utformede maskinlæringsløsninger danner grunnlaget for dagens AI-programmer. Fra prediktiv analyse til tilpassede anbefalinger og videre, maskinlæringsløsninger støtter de nyeste teknologiske fremskrittene i samfunnet ved å bruke eksisterende data til å produsere ny innsikt.
Dataforskere tar beslutninger for å håndtere maskinlæringsproblemer på forskjellige måter. Beslutningene de tar påvirker løsningens kostnader, hastighet, kvalitet og levetid.
I denne modulen lærer du hvordan du utformer en ende-til-ende maskinlæringsløsning med Microsoft Azure som kan brukes i en virksomhetsinnstilling. Ved hjelp av de følgende seks trinnene som et rammeverk utforsker vi hvordan du planlegger, lærer opp, distribuerer og overvåker maskinlæringsløsninger.
- Definer problemet: Bestem deg for hva modellen skal forutsi og når den er vellykket.
- Hent dataene: Finn datakilder og få tilgang.
- Klargjøre dataene: Utforsk dataene. Rengjør og transformer dataene basert på modellens krav.
- Kalibrer modellen: Velg en algoritme og hyperparameterverdier basert på prøving og feiling.
- Integrer modellen: Distribuer modellen til et endepunkt for å generere prognoser.
- Overvåk modellen: Spor modellens ytelse.
Merk deg
Diagrammet er en forenklet representasjon av maskinlæringsprosessen. Vanligvis er prosessen iterativ og kontinuerlig. Når du for eksempel overvåker modellen, kan du bestemme deg for å gå tilbake og omskolere modellen.
La oss deretter se på hvordan vi kan komme i gang med en maskinlæringsløsning ved å definere problemet.