Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Das Formulieren eines Problems in Bezug auf ML ist ein zweistufiger Prozess:
So prüfen Sie, ob KI ein geeigneter Ansatz ist:
Verstehen Sie das Problem.
Einen klaren Anwendungsfall identifizieren
Daten auswerten
Fassen Sie das Problem in ML-Begriffen zusammen:
Definieren Sie das ideale Ergebnis und das Ziel des Modells.
Identifizieren Sie die Ausgabe des Modells.
Definieren Sie Erfolgsmesswerte.
Diese Schritte können Zeit und Ressourcen sparen, indem klare Ziele festgelegt und ein gemeinsames Framework für die Zusammenarbeit mit anderen ML-Experten bereitgestellt wird.
Mit den folgenden Übungen können Sie ein ML-Problem formulieren und eine Lösung erarbeiten:
Eine praktische Einführung in die Verbesserung der Fairness und die Minimierung von Voreingenommenheit beim maschinellen Lernen finden Sie im MLCC-Modul zu Fairness.
[[["Leicht verständlich","easyToUnderstand","thumb-up"],["Mein Problem wurde gelöst","solvedMyProblem","thumb-up"],["Sonstiges","otherUp","thumb-up"]],[["Benötigte Informationen nicht gefunden","missingTheInformationINeed","thumb-down"],["Zu umständlich/zu viele Schritte","tooComplicatedTooManySteps","thumb-down"],["Nicht mehr aktuell","outOfDate","thumb-down"],["Problem mit der Übersetzung","translationIssue","thumb-down"],["Problem mit Beispielen/Code","samplesCodeIssue","thumb-down"],["Sonstiges","otherDown","thumb-down"]],["Zuletzt aktualisiert: 2025-02-28 (UTC)."],[[["Framing a Machine Learning (ML) problem involves understanding the problem, identifying a use case, understanding the data, and then defining the desired outcome, model output, and success metrics."],["These steps help in setting clear objectives and establishing a collaborative framework when working with other ML professionals."],["Applying ML can raise privacy and ethical issues which need careful consideration before deploying a model, using available resources to mitigate these risks."],["Further learning resources are available on data preparation, feature engineering, testing, debugging in ML, and responsible AI practices."]]],[]]
