กําหนดปัญหา

เสร็จสมบูรณ์เมื่อ

เริ่มต้นด้วยขั้นตอนแรกคุณต้องการ กําหนดปัญหาที่ แบบจําลองควรแก้ไขโดยการทําความเข้าใจ:

• ผลลัพธ์ของแบบจําลองควรเป็นอย่างไร
• ชนิดของงานการเรียนรู้ของเครื่องที่คุณใช้
• เกณฑ์อะไรที่ทําให้แบบจําลองสําเร็จ

ขึ้นอยู่กับข้อมูลที่คุณมีและผลลัพธ์ที่คาดหวังของแบบจําลอง คุณสามารถระบุงานการเรียนรู้ของเครื่องได้ งานจะกําหนดชนิดของอัลกอริทึมที่คุณสามารถใช้ในการฝึกแบบจําลอง

งานการเรียนรู้ของเครื่องทั่วไปบางงานคือ:

1. การจัดประเภท: คาดการณ์ค่าแบบจัดกลุ่ม
2. การถดถอย: คาดการณ์ค่าตัวเลข
3. การคาดการณ์แบบอนุกรมเวลา: คาดการณ์ค่าตัวเลขในอนาคตตามข้อมูลอนุกรมเวลา
4. วิสัยทัศน์คอมพิวเตอร์: จัดประเภทรูปภาพหรือตรวจหาวัตถุในรูปภาพ
5. การประมวลผลภาษาธรรมชาติ (NLP): แยกข้อมูลเชิงลึกจากข้อความ

ในการฝึกแบบจําลอง คุณมีชุดของอัลกอริทึมที่คุณสามารถใช้ได้ โดยขึ้นอยู่กับงานที่คุณต้องการดําเนินการ ในการประเมินแบบจําลอง คุณสามารถคํานวณเมตริกประสิทธิภาพการทํางาน เช่น ความแม่นยําหรือความแม่นยํา เมตริกที่พร้อมใช้งานยังขึ้นอยู่กับงานที่แบบจําลองของคุณต้องดําเนินการและช่วยให้คุณตัดสินใจว่าแบบจําลองจะประสบความสําเร็จในงานหรือไม่

สํารวจตัวอย่าง

พิจารณาสถานการณ์ที่คุณต้องการตรวจสอบว่าผู้ป่วยเป็นโรคเบาหวานหรือไม่ ปัญหาที่คุณกําลังพยายามแก้ไขและชนิดของข้อมูลที่พร้อมใช้งานจะกําหนดงานการเรียนรู้ของเครื่องที่คุณเลือก ในกรณีนี้ ข้อมูลที่มีอยู่คือจุดข้อมูลสุขภาพอื่น ๆ จากผู้ป่วย เราสามารถเป็นตัวแทนของเอาต์พุตที่เราต้องการเป็นข้อมูล ตามประเภท ที่ผู้ป่วยมีโรคเบาหวานหรือไม่มีโรคเบาหวาน ดังนั้นงานการเรียนรู้ของเครื่องคือการจําแนกประเภท

การทําความเข้าใจกระบวนการทั้งหมดก่อนที่คุณจะเริ่มให้โอกาสในการแมปการตัดสินใจที่คุณจําเป็นต้องทําเพื่อออกแบบโซลูชันการเรียนรู้ของเครื่องที่ประสบความสําเร็จ ต่อไปนี้เป็นแผนภาพที่แสดงวิธีหนึ่งในการเข้าถึงปัญหาในการระบุโรคเบาหวานในผู้ป่วย ในไดอะแกรม ข้อมูลจะถูกเตรียมไว้ล่วงหน้า แยก และฝึกฝนโดยใช้อัลกอริทึมเฉพาะ หลังจากนั้น แบบจําลองจะถูกประเมินเพื่อคุณภาพ

1. โหลดข้อมูล: นําเข้าและตรวจสอบชุดข้อมูล
2. ประมวลผลข้อมูลล่วงหน้า: ทําให้เป็นมาตรฐานและทําความสะอาดเพื่อความสอดคล้องกัน
3. แยกข้อมูล: แยกเป็นชุดการฝึกและชุดการทดสอบ
4. เลือกแบบจําลอง: เลือกและกําหนดค่าอัลกอริทึม
5. ฝึกแบบจําลอง: เรียนรู้รูปแบบจากข้อมูลการฝึก
6. แบบจําลองคะแนน: สร้างการคาดการณ์เกี่ยวกับข้อมูลทดสอบ
7. ประเมิน: คํานวณเมตริกประสิทธิภาพการทํางาน

การฝึกแบบจําลองการเรียนรู้ของเครื่องมักจะเป็นกระบวนการวนซ้ํา ที่คุณทําตามขั้นตอนเหล่านี้หลายครั้งเพื่อค้นหาแบบจําลองที่มีประสิทธิภาพดีที่สุด ถัดไป เราลองตรวจสอบกระบวนการเตรียมข้อมูลสําหรับการพัฒนาโซลูชันการเรียนรู้ของเครื่อง