Sử dụng bộ sưu tập để sắp xếp ngăn nắp các trang
Lưu và phân loại nội dung dựa trên lựa chọn ưu tiên của bạn.
Giới thiệu
Học phần này bắt đầu với một câu hỏi dẫn đầu.
Chọn một trong các câu trả lời sau:
Nếu bạn phải ưu tiên cải thiện một trong những khía cạnh sau đây trong dự án học máy, khía cạnh nào sẽ có tác động nhiều nhất?
Cải thiện chất lượng tập dữ liệu
Dữ liệu chiếm ưu thế hơn tất cả.
Chất lượng và kích thước của tập dữ liệu quan trọng hơn nhiều so với việc bạn sử dụng thuật toán nào trong Shiny để xây dựng mô hình.
Áp dụng hàm mất thông minh hơn để huấn luyện mô hình
Đúng là một hàm tổn thất tốt hơn có thể giúp mô hình huấn luyện nhanh hơn, nhưng hàm này vẫn còn kém xa một mục khác trong danh sách này.
Và đây là một câu hỏi dẫn dắt hơn nữa:
Thử đoán: Trong dự án học máy của bạn, bạn cần bao nhiêu thời gian
bạn thường dành cho việc chuẩn bị và chuyển đổi dữ liệu?
Hơn một nửa thời gian dự án
Có, chuyên viên công nghệ học máy dành phần lớn thời gian của họ
xây dựng tập dữ liệu và thực hiện kỹ thuật đối tượng.
Dưới một nửa thời gian của dự án
Hãy lên kế hoạch để làm nhiều việc hơn! Thông thường, 80% thời gian của một dự án học máy là dành cho việc tạo tập dữ liệu và chuyển đổi dữ liệu.
Trong học phần này, bạn sẽ tìm hiểu thêm về các đặc điểm của công nghệ học máy
và cách chuẩn bị dữ liệu nhằm đảm bảo kết quả chất lượng cao khi
huấn luyện và đánh giá mô hình của bạn.
[[["Dễ hiểu","easyToUnderstand","thumb-up"],["Giúp tôi giải quyết được vấn đề","solvedMyProblem","thumb-up"],["Khác","otherUp","thumb-up"]],[["Thiếu thông tin tôi cần","missingTheInformationINeed","thumb-down"],["Quá phức tạp/quá nhiều bước","tooComplicatedTooManySteps","thumb-down"],["Đã lỗi thời","outOfDate","thumb-down"],["Vấn đề về bản dịch","translationIssue","thumb-down"],["Vấn đề về mẫu/mã","samplesCodeIssue","thumb-down"],["Khác","otherDown","thumb-down"]],["Cập nhật lần gần đây nhất: 2025-07-27 UTC."],[[["This module emphasizes the critical role of data quality in machine learning projects, highlighting that it significantly impacts model performance more than algorithm choice."],["Machine learning practitioners typically dedicate a substantial portion of their project time (around 80%) to data preparation and transformation, including tasks like dataset construction and feature engineering."],["The module covers key concepts in data preparation, such as identifying data characteristics, handling unreliable data, understanding data labels, and splitting datasets for training and evaluation."],["Learners will gain insights into techniques for improving data quality, mitigating issues like overfitting, and interpreting loss curves to assess model performance."],["This module builds upon foundational machine learning concepts, assuming familiarity with topics like linear regression, numerical and categorical data handling, and basic machine learning principles."]]],[]]