Przepływ pracy w uczeniu maszynowym

Wprowadzenie do uczenia maszynowego

Lis Sulmont

Curriculum Manager, DataCamp

Przepływ pracy w uczeniu maszynowym

Wprowadzenie do uczenia maszynowego

Nasz scenariusz

Nowy Jork

Nasz zbiór danych: sprzedaż nieruchomości w Nowym Jorku w latach 2015–2019

Zawiera:

  • Powierzchnię w stopach kwadratowych
  • Dzielnicę
  • Rok budowy
  • Cenę sprzedaży
  • I więcej!

Nasz cel: Cena sprzedaży

Wprowadzenie do uczenia maszynowego

Krok 1: Ekstrakcja cech

Wprowadzenie do uczenia maszynowego

Krok 2: Podział zbioru danych

Wprowadzenie do uczenia maszynowego

Krok 3: Trenowanie modelu

Wprowadzenie do uczenia maszynowego

Krok 3: Trenowanie modelu

$$

Wprowadzenie do uczenia maszynowego

Krok 4: Ewaluacja

Wprowadzenie do uczenia maszynowego

Krok 4: Ewaluacja

Krok ewaluacji

  • Zbiór testowy: dane "niewidziane"
  • Wiele sposobów oceny:
    • Jaki jest średni błąd predykcji?
    • Jaki procent mieszkań model przewidział z dokładnością do 10%?
Wprowadzenie do uczenia maszynowego

Krok 4: Ewaluacja

Wprowadzenie do uczenia maszynowego

Krok 4: Ewaluacja

Wprowadzenie do uczenia maszynowego

Krok 4: Ewaluacja

  • Jeśli nie, dostroić model i ponownie go wytrenować:
    • np. zmienić opcje modelu, dodać/usunąć cechy
Wprowadzenie do uczenia maszynowego

Przepływ pracy w uczeniu maszynowym

Wprowadzenie do uczenia maszynowego

Podsumowanie kroków

  1. Ekstrakcja cech
    • Wybór cech i przygotowanie zbioru danych
  2. Podział zbioru danych
    • Zbiór treningowy i testowy
  3. Trenowanie modelu
    • Przekazanie zbioru treningowego do modelu uczenia maszynowego
  4. Ewaluacja
    • Jeśli nie osiągnięto oczekiwanej wydajności: dostroić model i powtórzyć krok 3
Wprowadzenie do uczenia maszynowego

Czas na ćwiczenia!

Wprowadzenie do uczenia maszynowego

Preparing Video For Download...