Введение
Тщательно разработанные решения машинного обучения формируют основу современных приложений искусственного интеллекта. От прогнозной аналитики до персонализированных рекомендаций и более поздних версий решения машинного обучения поддерживают последние технологические достижения общества с помощью существующих данных для создания новых аналитических сведений.
Специалисты по обработке и анализу данных решают проблемы машинного обучения разными способами. Решения, которые они делают, влияют на стоимость, скорость, качество и долголетие решения.
В этом модуле вы узнаете, как разработать комплексное решение машинного обучения с помощью Microsoft Azure, которое можно использовать в корпоративном параметре. Используя следующие шесть шагов в качестве платформы, мы рассмотрим, как планировать, обучать, развертывать и отслеживать решения машинного обучения.
- Определите проблему: определите, что модель должна прогнозировать и когда она успешно выполнена.
- Получение данных: поиск источников данных и получение доступа.
- Подготовка данных: изучение данных. Очистка и преобразование данных на основе требований модели.
- Обучение модели. Выбор алгоритма и значений гиперпараметров на основе проб и ошибок.
- Интеграция модели: развертывание модели в конечной точке для создания прогнозов.
- Отслеживайте модель: отслеживайте производительность модели.
Примечание.
Схема — это упрощенное представление процесса машинного обучения. Как правило, процесс является итеративным и непрерывным. Например, при мониторинге модели можно вернуться и переобучить модель.
Далее давайте рассмотрим, как мы можем приступить к работе с решением машинного обучения, определив проблему.