Mantenha tudo organizado com as coleções
Salve e categorize o conteúdo com base nas suas preferências.
Definir um problema em termos de ML é um processo de duas etapas:
Para verificar se a ML é uma boa abordagem, faça o seguinte:
Entenda o problema.
Identifique um caso de uso claro.
Entenda os dados.
Defina o problema em termos de ML fazendo o seguinte:
Defina o resultado ideal e a meta do modelo.
Identifique a saída do modelo.
Defina métricas de sucesso.
Essas etapas podem economizar tempo e recursos ao definir metas claras e fornecer um
framework compartilhado para trabalhar com outros profissionais de ML.
Use os exercícios a seguir para definir um problema de ML e formular uma solução:
[[["Fácil de entender","easyToUnderstand","thumb-up"],["Meu problema foi resolvido","solvedMyProblem","thumb-up"],["Outro","otherUp","thumb-up"]],[["Não contém as informações de que eu preciso","missingTheInformationINeed","thumb-down"],["Muito complicado / etapas demais","tooComplicatedTooManySteps","thumb-down"],["Desatualizado","outOfDate","thumb-down"],["Problema na tradução","translationIssue","thumb-down"],["Problema com as amostras / o código","samplesCodeIssue","thumb-down"],["Outro","otherDown","thumb-down"]],["Última atualização 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."]]],[]]