مراحل یادگیری ماشین کاربردی
تعریف مسئله
این مرحله به یادگیری کافی در مورد پروژه برای انتخاب کادربندی یا فریم های کار پیش بینی مربوط می شود. به عنوان مثال، آیا این طبقه بندی است یا برگشت، یا نوع دیگری از مشکل با درجه ی بالاتر؟
این شامل جمع آوری دادههایی است که برای پیش بینی مفید هستند و به وضوح شکلی را که پیش بینی به خود می گیرد، تعریف میکند. همچنین ممکن است شامل گفتگو با ذینفعان پروژه و سایر افراد با تخصص عمیق در ان حوزه باشد. این مرحله همچنین شامل نگاهی دقیق به داده ها و همچنین احتمالاً برسی داده ها با استفاده از آمار خلاصه و تجسم داده ها است.
داده ها را آماده کنید.
این مرحله مربوط به تبدیل داده های خام جمع آوری شده به فرمی است که می تواند در مدل سازی استفاده شود.
— تکنیکهای پیشپردازش آتا(ata) عموماً به افزودن، حذف یا تبدیل دادههای مجموعه آموزشی اشاره دارد..
در بخش بعدی به بررسی دقیق این مرحله می پردازیم .
مدل ها را ارزیابی کنید.
این مرحله به ارزیابی مدل های یادگیری ماشین در مجموعه داده های شما مربوط میشود. موجب میشود یک مهار تست قوی برای ارزیابی مدل های خود طراحی کنید تا بتوان به نتایجی که به دست می آورید اعتماد کرد و از بین مدل هایی که ارزیابی کرده اید استفاده کرد. این شامل وظایفی مانند انتخاب یک معیار عملکرد برای ارزیابی مهارت یک مدل، ایجاد یک پایه یا طبقه درعملکرد است که همه ارزیابیهای مدل را می توان با آن مقایسه کرد، نمونه گیری مجدد تکنیکی برای تقسیم داده ها به مجموعه های آموزشی و آزمایشی برای شبیه سازی نحوه استفاده از مدل نهایی است.
برای تخمین های سریع عملکرد model، یا برای یک مجموعه داده بسیار بزرگ، ممکن است یک تقسیم بندی آزمایشی واحد از دادهها انجام شود. استفاده از اعتبارسنجی متقاطع k-fold به عنوان تکنیک نمونه گیری مجدد داده ها، اغلب با تکرار فرآیند برای بهبود استحکام نتیجه، رایج تر است. این مرحله همچنین شامل وظایفی برای استفاده حداکثری از مدل های با عملکرد خوب مانند تنظیم فراپارامتر و مجموعه ای از مدلها است.
مدل را نهایی کنید.
این مرحله مربوط به انتخاب و استفاده از یک مدل نهایی است. هنگامی که مجموعه ای از مدل ها ارزیابی شد، باید مدلی را انتخاب کنید که نشان دهنده راه حل پروژه باشد. این ” انتخاب مدل ” نامیده میشود و ممکن است شامل ارزیابی بیشتر مدلهای کاندید بر روی یک مجموعه داده اعتبار سنجی، یا انتخاب از طریق سایر معیارهای خاص پروژه مانند پیچیدگی مدل باشد. همچنین ممکن است شامل خلاصه کردن عملکرد مدل به روشی استاندارد برای سرپرستان پروژه باشد که گام مهمی است. در نهایت، احتمالاً وظایف مربوط به تولید وجود خواهد داشت.
مدل، مانند ترکیب آن در یک پروژه نرم افزاری یا سیستم تولید و طراحی برنامه نظارت و نگهداری برای مدل.
اکنون که با فرآیند یادگیری ماشینی کاربردی و جایی که آماده سازی داده ها در آن فرآیند قرار می گیرد آشنا شدیم، اجازه دهید نگاهی دقیق تر به انواع وظایفی که ممکن است انجام شوند بی اندازیم.
قوانین ارسال دیدگاه در سایت