Wprowadzenie
Przemyślane rozwiązania z zakresu uczenia maszynowego stanowią podstawę współczesnych aplikacji sztucznej inteligencji. Od analizy predykcyjnej po spersonalizowane rekomendacje i nie tylko, rozwiązania uczenia maszynowego wspierają najnowsze postępy technologiczne w społeczeństwie, wykorzystując istniejące dane do uzyskiwania nowych 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 środowisku przedsiębiorstwa. Korzystając z poniższych sześciu kroków jako struktury, omawiamy, jak planować, trenować, wdrażać i monitorować rozwiązania uczenia maszynowego.
- Zdefiniuj problem: zdecyduj, co powinien przewidywać model i kiedy będzie uznany za skuteczny.
- Pobierz dane: znajdź źródła danych i uzyskaj dostęp.
- Przygotuj dane: Eksploruj dane. Wyczyść i przekształć dane na podstawie wymagań modelu.
- Trenuj model: wybierz algorytm i wartości hiperparametryczne na podstawie prób i błędów.
- Zintegruj model: wdróż model w punkcie końcowym, aby wygenerować przewidywania.
- Monitoruj model: 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.
Uwaga
Zdajemy sobie sprawę, że różni ludzie lubią uczyć się na różne sposoby. Możesz ukończyć ten moduł w formacie wideo lub przeczytać zawartość jako tekst i obrazy. Tekst zawiera więcej szczegółów niż filmy wideo, więc w niektórych przypadkach możesz chcieć odwoływać się do niego jako materiał uzupełniający do prezentacji wideo.