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.
[null,null,["Cập nhật lần gần đây nhất: 2025-07-27 UTC."],[[["\u003cp\u003eThis module emphasizes the critical role of data quality in machine learning projects, highlighting that it significantly impacts model performance more than algorithm choice.\u003c/p\u003e\n"],["\u003cp\u003eMachine 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.\u003c/p\u003e\n"],["\u003cp\u003eThe 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.\u003c/p\u003e\n"],["\u003cp\u003eLearners will gain insights into techniques for improving data quality, mitigating issues like overfitting, and interpreting loss curves to assess model performance.\u003c/p\u003e\n"],["\u003cp\u003eThis module builds upon foundational machine learning concepts, assuming familiarity with topics like linear regression, numerical and categorical data handling, and basic machine learning principles.\u003c/p\u003e\n"]]],[],null,["# Datasets, generalization, and overfitting\n\n| **Estimated module length:** 105 minutes\n| **Learning objectives**\n|\n| - Identify four different characteristics of data and datasets.\n| - Identify at least four different causes of data unreliability.\n| - Determine when to discard missing data and when to impute it.\n| - Differentiate between direct and derived labels.\n| - Identify two different ways to improve the quality of human-rated labels.\n| - Explain why to subdivide a dataset into a training set, validation set, and test set; identify a potential problem in data splits.\n| - Explain overfitting and identify three possible causes for it.\n| - Explain the concept of regularization. In particular, explain the following:\n| - Bias versus variance (adaptation to outliers...)\n| - L~2~ regularization, including Lambda (regularization rate)\n| - Early stopping\n| - Interpret different kinds of loss curves; detect convergence and overfitting in loss curves.\n| **Prerequisites:**\n|\n| This module assumes you are familiar with the concepts covered in the\n| following modules:\n|\n| - [Introduction to Machine Learning](/machine-learning/intro-to-ml)\n| - [Linear regression](/machine-learning/crash-course/linear-regression)\n| - [Working with numerical data](/machine-learning/crash-course/numerical-data)\n| - [Working with categorical data](/machine-learning/crash-course/categorical-data)\n\nIntroduction\n------------\n\nThis module begins with a leading question.\nChoose one of the following answers: \nIf you had to prioritize improving one of the following areas in your machine learning project, which would have the most impact? \nImproving the quality of your dataset \nData trumps all. The quality and size of the dataset matters much more than which shiny algorithm you use to build your model. \nApplying a more clever loss function to training your model \nTrue, a better loss function can help a model train faster, but it's still a distant second to another item in this list.\n\nAnd here's an even more leading question: \nTake a guess: In your machine learning project, how much time do you typically spend on data preparation and transformation? \nMore than half of the project time \nYes, ML practitioners spend the majority of their time constructing datasets and doing feature engineering. \nLess than half of the project time \nPlan for more! Typically, 80% of the time on a machine learning project is spent constructing datasets and transforming data.\n\nIn this module, you'll learn more about the characteristics of machine learning\ndatasets, and how to prepare your data to ensure high-quality results when\ntraining and evaluating your model. \n[Help Center](https://support.google.com/machinelearningeducation)"]]
