練習 7a:你的問題,有機器學習問題
記錄或勾選您認為最適合問題的解決方案。我們的問題是最妥善的框架:
二元分類
一維迴歸
多類別單一標籤分類
多類別多標籤分類
多維度迴歸
分群 (非監督)
內建 AI
其他
可預測或產生以下項目:
如果您的解決方案最適合用來進行預測式機器學習,請參閱下列問題。如果您的解決方案是構建為一般 AI 的型態,請參閱「
MakerSuite
」瀏覽器式 IDE,如此便能透過不同的語言模型試用不同的提示,藉此快速進行原型設計。
運動 7b:以簡單的方式投放問題
剛起步時,較容易出現問題的公式則比較容易導入及實作。擷取您指定的問題,然後以二元分類或單維迴歸問題 (或兩者) 的形式說明。
練習 8:設計模型的資料
請寫下希望預測機器學習模型使用的資料。
成功的提示
一個資料列是由一筆資料組成,得到一項預測。
僅填入當下預測時可用的資訊。
每個輸入可以是純量或 1D 整數、浮點數或位元組 (包括字串)。
如果輸入的結構與純量或 1D 清單不同,建議您思考這項資料是否是最適合您的資料呈現方式。例如:
如果儲存格在 1D 清單中代表兩個以上的語意不同,建議將其分割為不同的輸入。
如果儲存格代表巢狀通訊協定緩衝區,則建議您分割巢狀通訊協定緩衝區的每個欄位。
例外狀況:音訊、圖片和影片資料,其中儲存格是位元組的 blob。
練習 9:資料來源
寫下每個輸入來源。 評估要開發資料管道為資料列建構每個資料欄所需的作業量。
成功的提示
輸出範例何時適用於訓練?
如果輸出範例難以取得,建議您再次查看「運動 5」(使用輸出),然後檢查模型是否使用不同的輸出內容。
確保所有輸入內容 (輸出時除外) 都能提供,但建立時必須使用正確的格式。
如果您很難以相同的格式在輸入時取得所有輸入內容,建議您再次前往「運動 8」(設計模型的資料) 來重新考慮輸入內容,或是查看「運動 5」是否能夠提供服務。
運動 10:輕鬆取得輸入的資料
在運動 8 底下輸入的輸入資料,請挑選 1 到 3 個容易理解的輸入項目,並確保你產生合理的初始結果。
成功的提示
在運動 6 中,列出一組可用的經驗法則。哪些輸入內容有助於實作這些經驗法則?
請考慮工程成本,以便開發資料管道來準備輸入資料,以及在模型中採用每項輸入內容的預期效益。
著重於透過單一管道從單一系統取得的輸入內容。剛開始使用基礎架構時,建議盡可能先採用最基本的基礎架構。
列印或儲存
請點選下方按鈕,將回覆列印或儲存為 .pdf。
列印頁面