Terlepas dari seberapa bagus pekerjaan Anda dan gaya pengkodean Anda yang terbaik, tidak ada keraguan bahwa menyusun proyek Anda dan menjalankannya selangkah demi selangkah tidak boleh diabaikan.

Sebab, suatu saat Anda akan terjebak pada titik atau tugas tertentu dan Anda perlu merevisi apa yang telah Anda lakukan sebelumnya, inilah pentingnya penataan yang baik.

Metode ini sangat penting dalam Pemrograman Tradisional jadi tentu saja merupakan suatu keharusan dalam Proyek Pembelajaran Mesin.

Jika Anda baru mengenal bidang ini dan tidak mengetahui perbedaan antara kedua gaya pengkodean ini, silakan periksa salah satu postingan saya sebelumnya.

Alur Kerja Pembelajaran Mesin

Mengajukan Pertanyaan yang Tepat

Di sini kita memiliki solusinya Pernyataan Tujuan

Kita harus mendefinisikan:

  • Cakupannya (termasuk sumber data).
  • Target kinerja.
  • Konteks penggunaan.
  • Tentukan bagaimana solusi akan dibuat.

Cakupan & Sumber Data:

misal: “Memprediksi apakah seseorang akan terkena diabetes.”

  1. Pahami fitur-fitur dalam data.
  2. Identifikasi fitur-fitur penting.
  3. Fokus pada populasi berisiko.
  4. Pilih sumber data (studi pima Indian diabetes adalah contoh yang bagus).

Target Kinerja:

Hasil biner (Benar‹diabetes› atau Salah‹tidak ada diabetes›), misalnya akurasi 70% adalah sasaran bersama.

Konteks:

  1. Prediksi penyakit.
  2. Praktik penelitian medis.
  3. Kemungkinan digunakan.

Pembuatan Solusi:

Solusi yang didapat pada tahap ini adalah kita harus mempersiapkan + Transform & mengolah data sesuai kebutuhan.

Mempersiapkan Data

  • Temukan data yang kita perlukan.
  • Periksa & bersihkan data.
  • Jelajahi datanya.
  • Bentuk data menjadi data yang rapi.
  • Buat demo dengan python menggunakan alat seperti Jupyter Notebook.

Memilih Algoritma

Di sini tergantung pada tujuan Anda dan tingkat akurasi yang ingin Anda capai.

Anda perlu menggunakan pernyataan solusi untuk memfilter algoritme, mendiskusikan algoritme terbaik, dan memilih satu algoritme awal sebagai permulaan.

Faktor Keputusan:

  • Jenis pembelajaran (diawasi atau tidak diawasi).
  • Hasil (Regresi =› nilai kontinu ATAU klasifikasi =›nilai diskrit seperti kecil atau sedang…).
  • Kompleksitas.
  • Dasar VS Ditingkatkan.

Dasar: tetap sederhana.

Peningkatan: variasi dasar, peningkatan kinerja, fungsi tambahan atau yang lebih kompleks.

Melatih & Menguji Model Anda

Setelah semua langkah di atas, seperti membersihkan dan memilih algoritme, Anda bebas melanjutkan ke langkah terakhir.

Pada tahap pelatihan, Anda akan menyesuaikan dan mengompilasi data Anda (data yang telah dibersihkan) ke dalam algoritme pilihan Anda untuk diakhiri pada tahap pengujian di mana Anda akan dapat memperoleh wawasan tentang seberapa akurat model Anda dan apakah model tersebut sesuai dengan tujuan Anda?

Harap diperhatikan bahwa Anda dapat mengulangi beberapa langkah dari awal bila Anda menemukan beberapa kelemahan, ada yang salah pada model Anda, atau fitur yang perlu ditingkatkan.

Terima kasih atas waktu Anda dan mari tingkatkan pengetahuan kita!