בחינת ההבנה שלכם

השאלות הבאות יעזרו לכם לחדד את ההבנה שלכם לגבי מושגי הליבה של למידת המכונה.

יכולת חיזוי

מודלים של למידת מכונה (ML) בפיקוח עוברים אימון באמצעות מערכי נתונים עם דוגמאות מתויגות. המודל לומד לחזות את התווית מהמאפיינים. עם זאת, לא לכל מאפיין במערך נתונים יש יכולת חיזוי. במקרים מסוימים, רק כמה תכונות משמשות כחזויות לתיוג. במערך הנתונים שבהמשך, משתמשים במחיר בתור התווית ובעמודות הנותרות בתור המאפיינים.

דוגמה עם תוויות למאפיינים של רכב.

לדעתך, אילו שלוש תכונות הן הסבירות ביותר לחזות את מחיר הרכב?
Miles, ‏ gearbox, ‏ make_model.
Make_model, year, miles.
Tire_size, ‏ wheel_base, ‏ year.
Color, ‏ height, ‏ make_model.

למידה מונחית ולמידה בלתי מונחית

בהתאם לבעיה, תשתמשו בגישה בפיקוח או ללא פיקוח. לדוגמה, אם אתם יודעים מראש את הערך או הקטגוריה שאתם רוצים לחזות, תוכלו להשתמש בלמידה בפיקוח. עם זאת, אם רוצים לדעת אם מערך הנתונים מכיל פילוח או קיבוץ של דוגמאות קשורות, צריך להשתמש בלמידה ללא הדרכה.

נניח שיש לכם מערך נתונים של משתמשים באתר של קניות אונליין, והוא מכיל את העמודות הבאות:

תמונה של שורה של מאפייני לקוח.

אם תרצו להבין את סוגי המשתמשים שמבקרים באתר, האם תשתמשו בלמידה בפיקוח או בלמידה ללא פיקוח?
למידה בפיקוח, כי אני מנסה לחזות לאיזו כיתה משתייך המשתמש.
למידה בלתי מונחית.

נניח שיש לכם מערך נתונים של שימוש באנרגיה בבתים עם העמודות הבאות:

תמונה של שורה של מאפייני בית.

באיזה סוג של למידת מכונה היית משתמש כדי לחזות את מספר שעות הקילוואט שנעשה בהן שימוש בשנה בבית שנבנה לאחרונה?
למידה בלתי מונחית.
למידה מונחית.

נניח שיש לכם מערך נתונים של טיסות עם העמודות הבאות:

תמונה של שורה של נתוני טיסה.

אם רוצים לחזות את העלות של כרטיס אוטובוס, משתמשים ברגרסיה או בסיווג?
רגרסיה
סיווג
על סמך מערך הנתונים, האם אפשר לאמן מודל סיווג כדי לסווג את העלות של כרטיס אוטובוס כ'גבוהה', 'ממוצעת' או 'נמוכה'?
לא. אי אפשר ליצור מודל סיווג. הערכים של coach_ticket_cost הם מספריים ולא קטגוריים.
כן, אבל קודם כול צריך להמיר את הערכים המספריים בעמודה coach_ticket_cost לערכים קטגוריאליים.
לא. מודלים של סיווג צופים רק שתי קטגוריות, כמו spam או not_spam. המודל הזה יצטרך לחזות שלוש קטגוריות.

אימון והערכה

אחרי שאנחנו מארגנים מודל, אנחנו מעריכים אותו באמצעות מערך נתונים עם דוגמאות מתויגות, ומשווים את הערך המשוער של המודל לערך בפועל של התווית.

בוחרים את שתי התשובות הטובות ביותר לשאלה.

אם התחזיות של המודל שגויות, מה אפשר לעשות כדי לשפר אותן?
אי אפשר לתקן מודל שהתחזיות שלו שגויות.
מאומנים מחדש את המודל באמצעות מערך נתונים גדול ומגוון יותר.
מאומנים מחדש את המודל, אבל משתמשים רק בתכונות שלדעתכם יש להן את יכולת החיזוי החזקה ביותר של התווית.
נסו גישה אחרת לאימון. לדוגמה, אם השתמשתם בגישה בפיקוח, נסו גישה ללא פיקוח.

עכשיו אתם מוכנים לעבור לשלב הבא במסע שלכם ב-ML:

  • מדריך לאנשים ו-AI אם אתם מחפשים קבוצה של שיטות, שיטות מומלצות ודוגמאות לשימוש ב-ML, שמוצגות על ידי גוגלרים, מומחים בתעשייה ומחקרים אקדמיים.

  • הגדרת הבעיה. אם אתם מחפשים גישה שנבדקה בשטח ליצירת מודלים של למידת מכונה ולהימנעות ממלכודות נפוצות בדרך.

  • קורס מקוצר על למידת מכונה אם אתם מוכנים ללמוד על למידת מכונה בצורה מעמיקה ומעשית.