Makine Öğreniminde Veri Hazırlama ve Özellik Mühendisliği

Makine öğrenimi, verilerdeki kalıpları, ardından yeni veri noktaları hakkında tahmin yapmak için kullandığımız kalıpları bulmamıza yardımcı olur. Bu tahminleri doğru şekilde almak için veri kümesini oluşturmamız ve verileri doğru şekilde dönüştürmemiz gerekir. Bu kurs, bu iki temel adımı kapsar. Ayrıca, eğitim/sunumla ilgili dikkat edilmesi gereken noktaların bu adımlarda nasıl bir rol oynadığını da göreceğiz.

Kurs Öğrenme Hedefleri

• Veri kalitesinin ve boyutunun algoritmalar üzerindeki göreceli etkisini anlayın.
• Verileri dönüştürme zamanı için bilinçli ve gerçekçi beklentiler oluşturun.
• Genel makine öğrenimi iş akışında veri toplama ve dönüştürme için normal bir süreci açıklayın.
• Ham verileri toplayın ve bir veri kümesi oluşturun.
• Veri kümenizi, dengesiz veriler için dikkat edilecek noktaları göz önünde bulundurarak örnekleyin.
• Sayısal ve kategorik verileri dönüştürün.

Ön koşullar

Bu kursta aşağıdakilere sahip olduğunuz varsayılır:

• Makine Öğrenimi Kilitlenme Kursu tamamlandı.

Veri Hazırlama ve Özellik Mühendisliği hakkında Neden Bilgi Edinin?

Özellik mühendisliğini, modelin veri kümesini sizinle aynı şekilde anlamasına yardımcı olmak gibi düşünebilirsiniz.

Aşağıdaki soru için yanıtınızı kontrol etmek üzere istediğiniz oku tıklayın:

Makine öğrenimi projenizde aşağıdaki alanlardan birini iyileştirmeye öncelik vermeniz gerekse en büyük etkiyi hangisi olur?

Verilerinizin kalitesi ve boyutu

Veriler her şeye değer verir. Öğrenme algoritmanızı veya model mimarinizi güncellemenizin, farklı kalıp türleri öğrenmenize olanak tanıyacağı doğrudur. Ancak verileriniz kötü olursa yanlış içeriğe uyan işlevler geliştirirsiniz. Veri kümesinin kalitesi ve boyutu, kullandığınız parlak algoritmadan çok daha önemlidir.

En yeni optimizasyon algoritmasını kullanma

Optimize edicileri aktarmada bazı artışlar görebilirsiniz ancak bu listedeki başka bir öğe kadar, modeliniz üzerindeki etkisi kadar önemli değildir.

Daha derin bir ağ

Daha derin bir ağ, modelinizi iyileştirebilir ancak etki, bu listedeki başka bir öğe kadar önemli değildir.

Daha akıllı bir kayıp işlevi

Yaklaştınız! Daha iyi bir kayıp işlevi size büyük bir kazanç sağlayabilir ancak bu listedeki başka bir öğeyle ikinci sıradadır.

İyi Bir Veri Kümesi Toplama Neden Önemlidir?

Google Çeviri

Nöral makine çevirisi, kullanılacak en iyi eğitim veri alt kümesini belirlemede en etkili kalite gelişmelerden biri oldu.

- Yazılım Mühendisi, Google Çeviri

Google Çeviri ekibi, kullanabileceğinden daha fazla eğitim verisine sahip. Ekip, modelini ayarlamak yerine verilerindeki en iyi özellikleri kullanarak daha büyük kazançlar elde etti.

 

 

 

İlgi çekici görünen hataları manuel olarak ayıklamayı denediğimde çoğunlukla eğitim verileriyle ilgili sorunlara kadar geri dönebiliyorlardı. - Yazılım Mühendisi, Google Çeviri

"İlginç görünen" hatalar genellikle verilerden kaynaklanır. Hatalı veriler, hangi modelleme tekniklerini denediğinizden bağımsız olarak modelinizin yanlış modelleri öğrenmesine neden olabilir.

 

 

Beyin Retinopati Projesi

Google Brain's diyabetik retinopati projesi, Başlangıç olarak bilinen bir nöral ağ mimarisini kullanarak hastalığı sınıflandırarak görüntüleri sınıflandırdı. Ekip modelleri değiştirmedi. Daha ziyade göz doktorları tarafından etiketlenen 120.000 örneklik bir veri kümesi oluşturarak başarılı oldular. (https://research.google.com/pubs/pub43022.html adresinden daha fazla bilgi edinebilirsiniz.)