Wprowadzenie
Przemyślane rozwiązania do uczenia maszynowego stanowią podstawę współczesnych aplikacji sztucznej inteligencji. Od analizy predykcyjnej po spersonalizowane rekomendacje i inne rozwiązania uczenia maszynowego obsługują najnowsze postępy technologiczne w społeczeństwie przy użyciu istniejących danych w celu uzyskania nowych szczegółowych informacji.
Analitycy danych podejmują decyzje dotyczące rozwiązywania problemów z uczeniem maszynowym na różne sposoby. Decyzje, które podejmują, wpływają na koszty, szybkość, jakość i długowieczność rozwiązania.
W tym module dowiesz się, jak zaprojektować kompleksowe rozwiązanie do uczenia maszynowego za pomocą platformy Microsoft Azure, które może być używane w ustawieniu przedsiębiorstwa. Korzystając z poniższych sześciu kroków jako struktury, dowiesz się, jak planować, trenować, wdrażać i monitorować rozwiązania uczenia maszynowego.
- Zdefiniuj problem: zdecyduj, co powinien przewidzieć model i kiedy zakończy się powodzeniem.
- Pobieranie danych: znajdowanie źródeł danych i uzyskiwanie dostępu.
- Przygotowywanie danych: Eksplorowanie danych. Czyszczenie i przekształcanie danych na podstawie wymagań modelu.
- Trenowanie modelu: wybierz algorytm i wartości hiperparametryczne na podstawie prób i błędów.
- Zintegruj model: wdróż model w punkcie końcowym, aby wygenerować przewidywania.
- Monitorowanie modelu: śledzenie wydajności modelu.
Uwaga
Diagram jest uproszczoną reprezentacją procesu uczenia maszynowego. Zazwyczaj proces jest iteracyjny i ciągły. Na przykład podczas monitorowania modelu możesz podjąć decyzję o powrocie i ponownym trenowaniu modelu.
Następnie przyjrzyjmy się sposobowi rozpoczęcia pracy z rozwiązaniem uczenia maszynowego, definiując problem.