แบบฝึกหัด 1: เริ่มต้นอย่างชัดเจนและเรียบง่าย
เขียนสิ่งที่คุณต้องการให้โมเดลแมชชีนเลิร์นนิงทํา
เราต้องการให้โมเดลแมชชีนเลิร์นนิงทําสิ่งต่อไปนี้
เคล็ดลับเพื่อความสำเร็จ |
ณ จุดนี้ ข้อความอาจเป็นคุณภาพ แต่โปรดตรวจสอบให้แน่ใจว่าเป้าหมายนี้ตรงกับเป้าหมายที่แท้จริงของคุณ ไม่ใช่เป้าหมายโดยอ้อม
หากไม่แน่ใจ โปรดดูบทเรียนก่อนหน้านี้และดูว่าโมเดลแมชชีนเลิร์นนิงทําอะไรได้บ้าง |
แบบฝึกหัด 2: ผลลัพธ์ที่คุณต้องการ
การเพิ่มโมเดล ML ลงในระบบควรสร้างผลลัพธ์ที่เป็นที่ต้องการ
ผลลัพธ์นี้ขึ้นอยู่กับตัวโมเดลเองอย่างไร โปรดทราบว่าผลลัพธ์นี้อาจต่างจากวิธีที่คุณประเมินโมเดลและคุณภาพของโมเดล
เป้าหมายของเราคือ
เคล็ดลับเพื่อความสำเร็จ |
คุณไม่จําเป็นต้องจํากัดเมตริกของตัวเองในผลิตภัณฑ์ที่ได้รับการเพิ่มประสิทธิภาพแล้ว (ผลิตภัณฑ์เหล่านั้นจะอยู่ในแบบฝึกหัดถัดไป)
แต่ให้พยายามมุ่งเน้นไปที่วัตถุประสงค์ที่เพิ่มมากขึ้นของผลิตภัณฑ์หรือบริการของคุณแทน
|
แบบฝึกหัด 3: เมตริกความสําเร็จของคุณ
เขียนเมตริกความสําเร็จและล้มเหลวด้วยระบบ ML
เมตริกความล้มเหลวจึงสําคัญ นั่นคือคุณจะทราบได้อย่างไรว่าระบบ ML ล้มเหลว
ทั้งเมตริกความสําเร็จและความล้มเหลวควรเป็นวลีแยกต่างหากจากเมตริกการประเมินสําหรับโมเดล
เช่น อย่าพูดถึงความแม่นยํา การเรียกคืน หรือ AUC แต่ให้พูดถึงผลลัพธ์ที่คาดการณ์แทน
บ่อยครั้งที่เมตริกเหล่านี้จะเชื่อมโยงกับผลลัพธ์ที่ดีที่สุดที่คุณระบุไว้ด้านบน
เมตริกวัดความสําเร็จของเรามีดังนี้
รูปแบบ ML ของเราจะถือว่าล้มเหลวในกรณีต่อไปนี้
เคล็ดลับเพื่อความสำเร็จ |
- เมตริกวัดได้หรือไม่
- คุณจะวัดผลอย่างไร
- คุณจะสามารถวัดผลได้เมื่อใด
- ต้องใช้เวลานานเท่าใดกว่าจะรู้ว่าระบบ ML ใหม่ประสบความสําเร็จหรือล้มเหลว
- คํานึงถึงต้นทุนด้านวิศวกรรมและการบํารุงรักษาในระยะยาว
- ความล้มเหลวไม่ได้เกิดจากการที่เมตริกวัดความสําเร็จไม่ใช่สําเร็จ
|
แบบฝึกหัดที่ 4: เอาต์พุตของคุณ
เขียนผลลัพธ์ที่คุณต้องการให้โมเดล ML สร้าง
ผลลัพธ์ที่ได้จากโมเดล ML ของเรา ได้แก่
เอาต์พุตถูกกําหนดอย่างใดอย่างหนึ่งต่อไปนี้
- การถดถอยแบบมิติเดียว
- การถดถอยแบบหลายมิติ
- การแยกประเภทไบนารี
- การจัดประเภทแบบหลายคลาส
- สร้างข้อความ รูปภาพ เสียง วิดีโอ หรือชุดค่าผสมหลายแบบ (โมดัล)
เคล็ดลับเพื่อความสำเร็จ |
- ค่าที่ระบุต้องวัดได้ด้วยคําจํากัดความที่แมชชีนผลิตได้
-
หากใช้ ML ตามการคาดการณ์ คุณจะรับเอาต์พุตตัวอย่างที่จะใช้สําหรับข้อมูลการฝึกได้ไหม
- วิธีการและแหล่งที่มาคืออะไร
- อาจต้องมีการจัดทําตัวอย่างเอาต์พุต เช่น เปลี่ยนเวลาในการรับชมเป็นเปอร์เซ็นไทล์
- หากการหาเอาต์พุตตัวอย่างสําหรับใช้ในการฝึกทําได้ยาก คุณอาจต้องกลับไปทบทวนแบบฝึกหัดในอดีตเพื่อนําไปปรับรูปแบบ
ข้อมูลและเป้าหมายของคุณให้เป็นแบบฝึกต่อไปที่จะช่วยให้คุณฝึกโมเดลบนข้อมูลได้
|
แบบฝึกหัด 5: การใช้เอาต์พุต
เขียนว่าเมื่อใดที่เอาต์พุตต้องได้รับจากโมเดล ML และลักษณะการใช้งานเอาต์พุตนั้นๆ ในผลิตภัณฑ์ของคุณ
เอาต์พุตจากโมเดล ML จะได้รับเมื่อ:
ผลลัพธ์จะใช้ในกรณีต่อไปนี้
เคล็ดลับเพื่อความสำเร็จ |
พิจารณาข้อมูลที่ต้องใช้ในการคาดการณ์ เช่น หากคุณใช้ ML เพื่อคาดคะเนเวลาเดินทางในแอป Maps ระบบอาจเขียนว่า "เอาต์พุตจากโมเดลจะได้รับเมื่อผู้ใช้เลือกต้นทาง ปลายทาง และโหมดการขนส่ง"
|
พิจารณาวิธีใช้ผลลัพธ์ที่คาดการณ์ไว้ในผลิตภัณฑ์
- ข้อมูลนี้จะแสดงให้ผู้ใช้เห็นทันทีใน UI หรือไม่
- จะมีการใช้โดยตรรกะทางธุรกิจที่ตามมาหรือไม่
- คุณมีข้อกําหนดเรื่องเวลาในการตอบสนองอย่างไรบ้าง
ข้อกําหนดเหล่านั้น (การแสดงโมเดล ML) อาจส่งผลต่อข้อมูลที่ใช้คาดการณ์ได้ เช่น
- เวลาในการตอบสนองของข้อมูลจากบริการจากระยะไกลอาจทําให้ใช้งานไม่ได้
- หากแหล่งข้อมูลมีความล่าช้าในการทําให้ข้อมูลใหม่พร้อมใช้งาน
- บันทึกที่ประมวลผลแล้วสามารถสร้างได้วันละครั้งเท่านั้น
- ทั้งนี้ คุณจะไม่ทราบข้อมูลบางอย่างจนกว่าจะเกิดขึ้นจริง (เช่น เหตุการณ์ Conversion)
การทดสอบ Oracle: จะถือว่าคุณมีคําตอบที่ถูกต้องเสมอ คุณจะใช้สิ่งนั้นในผลิตภัณฑ์อย่างไร
|
แบบฝึกหัด 6: การศึกษาสํานึกของคุณ
เขียนวิธีการที่คุณจะแก้ไขปัญหาหากคุณไม่ใช้ ML เช่น อะไรที่คุณอาจใช้
หากไม่ได้ใช้ ML เราจะดําเนินการดังนี้
เคล็ดลับเพื่อความสำเร็จ |
นึกถึงสถานการณ์ที่คุณจะต้องส่งมอบผลิตภัณฑ์ในวันพรุ่งนี้ และคุณจะฮาร์ดโค้ดตรรกะทางธุรกิจได้เท่านั้น คุณจะทําอย่างไร
|
คลิกที่ปุ่มด้านล่างเพื่อพิมพ์หรือบันทึกคําตอบของคุณเป็น .pdf
พิมพ์หน้า