แม้ว่างานของคุณจะดีแค่ไหนและสไตล์การเขียนโค้ดของคุณก็อยู่ในระดับสูงสุด แต่ก็ไม่ต้องสงสัยเลยว่าการจัดโครงสร้างโครงการและดำเนินการไปทีละขั้นตอนจะไม่มีโอกาสที่จะถูกละเลย
เพราะเมื่อถึงจุดหนึ่ง คุณจะติดอยู่กับจุดหรืองานบางอย่าง และคุณต้องแก้ไขสิ่งที่คุณเคยทำก่อนหน้านี้ สิ่งสำคัญของการจัดโครงสร้างที่ดีมาถึงตรงนี้
วิธีการนี้มีความสำคัญอย่างมากในการเขียนโปรแกรมแบบดั้งเดิม ดังนั้นแน่นอนว่ามันเป็นสิ่งจำเป็นในโปรเจ็กต์การเรียนรู้ของเครื่อง
หากคุณยังใหม่กับสาขานี้และคุณไม่ทราบถึงความแตกต่างระหว่างการเขียนโค้ดทั้งสองสไตล์นี้ โปรดตรวจสอบ "โพสต์" ก่อนหน้านี้ของฉันได้
เวิร์กโฟลว์การเรียนรู้ของเครื่อง
ถามคำถามที่ถูกต้อง
ที่นี่เรามีวิธีแก้ปัญหา คำแถลงเป้าหมาย
เราต้องกำหนด:
- ขอบเขต (รวมถึงแหล่งข้อมูล)
- ประสิทธิภาพเป้าหมาย
- บริบทการใช้งาน
- กำหนดวิธีการสร้างโซลูชัน
ขอบเขตและแหล่งข้อมูล:
เช่น: “คาดการณ์ว่าบุคคลหนึ่งจะเป็นโรคเบาหวานหรือไม่”
- ทำความเข้าใจคุณลักษณะในข้อมูล
- ระบุคุณสมบัติที่สำคัญ
- เน้นประชากรกลุ่มเสี่ยง
- เลือกแหล่งข้อมูล (การศึกษาเรื่อง "pima Indian diabetes" เป็นตัวอย่างที่ดี)
เป้าหมายประสิทธิภาพ:
ผลลัพธ์แบบไบนารี่ (True‹diabetes› หรือ False‹no diabetes›) เช่น ความแม่นยำ 70% คือ เป้าหมายร่วมกัน
บริบท:
- การทำนายโรค
- แนวปฏิบัติการวิจัยทางการแพทย์
- มีการใช้ความน่าจะเป็น
การสร้างโซลูชัน:
วิธีแก้ไขที่ได้รับในขั้นตอนนี้คือ เราต้องเตรียม + แปลง & ประมวลผลข้อมูลตามต้องการ
การเตรียมข้อมูล
- ค้นหาข้อมูลที่เราต้องการ
- ตรวจสอบและล้างข้อมูล
- สำรวจข้อมูล
- ปั้นข้อมูลให้เป็นข้อมูลที่เป็นระเบียบเรียบร้อย
- สร้างการสาธิตใน Python โดยใช้เครื่องมือเช่น Jupyter Notebook
การเลือกอัลกอริทึม
ขึ้นอยู่กับเป้าหมายและระดับความแม่นยำที่คุณต้องการบรรลุ
คุณต้องใช้ คำสั่งการแก้ปัญหา เพื่อกรองอัลกอริทึม หารือเกี่ยวกับอัลกอริทึมที่ดีที่สุด และเลือกอัลกอริทึมเริ่มต้นหนึ่งรายการเป็นจุดเริ่มต้น
ปัจจัยในการตัดสินใจ:
- ประเภทการเรียนรู้ (มีผู้ดูแลหรือไม่มีผู้ดูแล)
- ผลลัพธ์ (การถดถอย =› ค่าต่อเนื่อง หรือ การจำแนกประเภท =›ค่าแยก เช่น เล็กหรือกลาง…)
- ความซับซ้อน
- พื้นฐาน VS ที่ได้รับการปรับปรุง
พื้นฐาน: ทำให้เรียบง่าย
ปรับปรุงแล้ว: รูปแบบพื้นฐาน การปรับปรุงประสิทธิภาพ ฟังก์ชันการทำงานเพิ่มเติม หรือซับซ้อนยิ่งขึ้น
การฝึกอบรมและการทดสอบโมเดลของคุณ
หลังจากทำตามขั้นตอนข้างต้นทั้งหมด เช่น การล้างและเลือกอัลกอริทึมของคุณ คุณมีอิสระที่จะเข้าสู่ขั้นตอนสุดท้าย
ในหน้าการฝึก คุณจะปรับและรวบรวมข้อมูลของคุณ (ข้อมูลที่ล้างแล้ว) ลงในอัลกอริธึมที่คุณเลือกเพื่อสิ้นสุดที่หน้าทดสอบ ซึ่งคุณจะได้ข้อมูลเชิงลึกว่าโมเดลของคุณแม่นยำแค่ไหน และตรงกับเป้าหมายของคุณหรือไม่
โปรดทราบว่าคุณอาจทำซ้ำบางขั้นตอนตั้งแต่ต้นเมื่อคุณพบจุดอ่อน มีบางอย่างผิดปกติในโมเดลของคุณ หรือคุณลักษณะที่ต้องการการปรับปรุง
ขอขอบคุณที่สละเวลามาเพิ่มพูนความรู้ของเรา!