تمرین 7a: مشکل شما که به عنوان یک مشکل ML فرموله شده است
چک باکس را بنویسید یا روی آن کلیک کنید که فکر می کنید بهترین راه حل فنی برای مشکل شماست. مشکل ما به بهترین شکل به این صورت است:
که پیش بینی یا ایجاد می کند: اگر راه حل شما به بهترین وجه به عنوان یک ML پیش بینی کننده است، به سوالات زیر مراجعه کنید. اگر راه‌حل شما به‌عنوان یک AI مولد قاب‌بندی شده است، MakerSuite را ببینید - یک IDE مبتنی بر مرورگر که به شما امکان می‌دهد با اعلان‌های مختلف برای نمونه‌سازی سریع با مدل‌های زبان مولد آزمایش کنید.
تمرین 7b: مسئله خود را به عنوان یک مسئله ساده تر مطرح کنید
هنگامی که برای اولین بار شروع به کار می کنید، استدلال و پیاده سازی فرمول های مسئله ساده تر آسان تر است. مسئله داده شده را در نظر بگیرید و آن را به عنوان یک طبقه بندی باینری یا یک مسئله رگرسیون تک بعدی (یا هر دو) بیان کنید.
تمرین 8: داده های خود را برای مدل طراحی کنید
داده‌هایی را بنویسید که می‌خواهید مدل ML پیش‌بینی‌کننده از آن برای پیش‌بینی استفاده کند.
نکاتی برای موفقیت
یک ردیف یک قطعه داده را تشکیل می دهد که برای آن یک پیش بینی انجام می شود.
فقط اطلاعاتی را بگنجانید که در لحظه انجام پیش بینی موجود است.
هر ورودی می تواند یک لیست اسکالر یا یک بعدی از عدد صحیح، شناور یا بایت (شامل رشته ها) باشد.
اگر یک ورودی ساختاری متفاوت از یک لیست اسکالر یا یک بعدی دارد، ممکن است بخواهید در نظر بگیرید که آیا این بهترین نمایش برای داده های شما است یا خیر. مثلا:
اگر یک سلول دو یا چند چیز متفاوت از لحاظ معنایی را در یک لیست 1 بعدی نشان می دهد، ممکن است بخواهید آنها را به ورودی های جداگانه تقسیم کنید.
اگر یک سلول یک بافر پروتکل تودرتو را نشان می دهد، ممکن است بخواهید هر قسمت از بافر پروتکل تودرتو را صاف کنید.
استثناها: داده های صوتی، تصویری و ویدیویی، که در آن سلول یک لکه بایت است.
تمرین 9: داده ها از کجا می آیند
بنویسید که هر ورودی از کجا می آید. ارزیابی کنید که توسعه خط لوله داده برای ساخت هر ستون برای یک ردیف چقدر کار خواهد کرد.
نکاتی برای موفقیت
چه زمانی خروجی نمونه برای اهداف آموزشی در دسترس می شود؟
اگر به دست آوردن خروجی مثال دشوار است، ممکن است بخواهید تمرین 5 (با استفاده از خروجی) را دوباره مرور کنید و بررسی کنید که آیا می توانید از خروجی متفاوتی برای مدل خود استفاده کنید یا خیر.
مطمئن شوید که تمام ورودی‌های شما (به جز خروجی) در زمان ارائه (زمانی که پیش‌بینی انجام می‌شود) در دسترس هستند، دقیقاً در قالبی که می‌نویسید.
اگر به‌دست آوردن تمام ورودی‌های خود در زمان ارائه دقیقاً در قالب یکسان دشوار است، ممکن است بخواهید دوباره تمرین 8 (داده‌های خود را برای مدل طراحی کنید) برای بررسی مجدد ورودی‌ها، یا تمرین 5 را برای بررسی مجدد در مورد امکان انجام سرویس بررسی کنید.
تمرین 10: ورودی هایی که به راحتی به دست می آیند
از میان ورودی‌هایی که در تمرین 8 فهرست کردید، 1 تا 3 ورودی را انتخاب کنید که به راحتی به دست می‌آیند و فکر می‌کنید که یک نتیجه معقول و اولیه ایجاد می‌کنند.
نکاتی برای موفقیت
در تمرین 6، شما مجموعه ای از اکتشافی ها را فهرست کرده اید که می توانید از آنها استفاده کنید. کدام ورودی ها برای پیاده سازی این اکتشافی ها مفید خواهند بود؟
هزینه مهندسی توسعه خط لوله داده برای آماده سازی ورودی ها و سود مورد انتظار از هر ورودی در مدل را در نظر بگیرید.
روی ورودی هایی تمرکز کنید که می توان از یک سیستم با یک خط لوله ساده به دست آورد. هنگام شروع کار با حداقل زیرساخت ممکن، توصیه می شود.
چاپ یا ذخیره کنید
روی دکمه زیر کلیک کنید تا پاسخ های خود را چاپ کنید یا به صورت pdf ذخیره کنید.
