Esercizio 7a: problema, formulato come problema di ML
Annota o fai clic sulla casella di controllo relativa alla soluzione tecnica che ritieni migliore per il tuo problema. Il nostro problema è meglio inquadrato come:
che prevede o genera:
Se la soluzione migliore è quella di un ML predittivo, consulta le domande seguenti. Se la tua soluzione è strutturata come AI generativa, consulta MakerSuite, un IDE basato su browser che ti consente di sperimentare con diverse richieste di prototipazione rapida con modelli di linguaggio generativi.
Allenamento 7b - Trasmetti il tuo problema come un problema più semplice
Quando inizi, le formulazioni dei problemi più semplici sono più semplici da ragionare e implementare. Prendi il problema specificato e indicalo come classificazione binaria o problema di regressione unidimensionale (o entrambi).
Esercizio 8: progettazione dei dati per il modello
Scrivi i dati che vuoi che il modello di ML predittivo utilizzi per le previsioni.
Suggerimenti per il successo
Una riga equivale a un dato per il quale viene effettuata una previsione.
Includi solo le informazioni disponibili al momento
della previsione.
Ogni input può essere un elenco scalare o 1D di numeri interi, floating o byte (incluse le stringhe).
Se un input ha una struttura diversa da un elenco scalare o 1D, valuta se è la rappresentazione migliore per i tuoi dati.
Ad esempio:
Se una cella rappresenta due o più elementi semanticamente diversi in un elenco 1D, ti consigliamo di dividerli in input separati.
Se una cella rappresenta un buffer di protocollo nidificato, potresti voler suddividere ciascun campo del buffer di protocollo nidificato.
Eccezioni: dati audio, immagini e video, dove una cella è un blob di
byte.
Esercizio 9: provenienza dei dati
Prendi nota della provenienza di ogni input.
Valuta quanto sarà impegnativo sviluppare una pipeline di dati per costruire ogni colonna per una riga.
Suggerimenti per il successo
Quando sarà disponibile l'output di esempio per scopi di addestramento?
Se l'output di esempio è difficile da ottenere, vi consigliamo di ripetere l'Esercizio 5 (utilizzando l'output) e di verificare se potete utilizzare un output diverso per il vostro modello.
Assicurati che tutti gli input (tranne l'output) siano disponibili al momento della pubblicazione (quando viene effettuata la previsione), esattamente nel formato che stai scrivendo.
Se hai difficoltà a ottenere tutti gli input al momento della pubblicazione nello stesso formato, puoi rivedere l'Esercizio 8 (Progettare i dati per il modello) per riconsiderare gli input o l'Esercizio 5 per riconsiderare quando è possibile effettuare la pubblicazione.
Esercizio 10: input facili da ottenere
Tra gli input elencati nell'Esercizio 8, scegli 1-3 input facili da ottenere e che ritieni possano produrre un risultato iniziale ragionevole.
Suggerimenti per il successo
Nell'esercizio 6, hai elencato una serie di euristiche che puoi utilizzare. Quali input sarebbero utili per implementare questa euristica?
Tieni conto del costo di progettazione per lo sviluppo di una pipeline di dati per preparare gli input e del vantaggio previsto di avere ogni input nel modello.
Concentrati sugli ingressi che possono essere ottenuti da un singolo sistema con una semplice pipeline. È consigliabile iniziare con la minima infrastruttura possibile quando si inizia per la prima volta.
Stampa o salva
Fai clic sul pulsante qui sotto per stampare o salvare le risposte in formato .pdf.
