Sprawdź swoją wiedzę

Pytania poniżej pomogą Ci utrwalić wiedzę na temat podstawowych pojęć związanych z ML.

Prognozy

Nadzorowane modele systemów uczących się są trenowane za pomocą zbiorów danych z oznaczonymi etykietami przykładami. Model uczy się przewidywać etykietę na podstawie cech. Nie wszystkie cechy w zbiorze danych mają jednak moc predykcyjną. W niektórych przypadkach tylko kilka funkcji działa jako predyktory etykiety. W danych poniżej użyj kolumny price jako etykiety, a pozostałych kolumn jako cech.

Oznaczony przykład atrybutów samochodu

Które 3 cechy są Twoim zdaniem najlepszymi czynnikami prognostycznymi ceny samochodu?
Make_model, year, miles.
Tire_size, wheel_base, year.
Color, height, make_model.
Miles, gearbox, make_model.

uczenie nadzorowane i nienadzorowane,

W zależności od problemu użyjesz podejścia nadzorowanego lub nienadzorowanego. Jeśli na przykład z góry znasz wartość lub kategorię, którą chcesz przewidzieć, użyjesz uczenia nadzorowanego. Jeśli jednak chcesz się dowiedzieć, czy Twój zbiór danych zawiera podziały lub grupy powiązanych przykładów, użyjesz uczenia nienadzorowanego.

Załóżmy, że masz zbiór danych o użytkownikach witryny z zakupami online, który zawiera te kolumny:

Obraz wiersza z atrybutami klienta.

Jeśli chcesz poznać typy użytkowników, którzy odwiedzają witrynę, czy użyjesz uczenia nadzorowanego czy nienadzorowanego?
uczenie nadzorowane, ponieważ próbuję przewidzieć, do której klasy należy użytkownik;
uczenie nienadzorowane;

Załóżmy, że masz zbiór danych o zużyciu energii w domach z tymi kolumnami:

Obraz przedstawiający rząd atrybutów domu.

Jakiego typu uczenie maszynowe zastosujesz, aby przewidzieć zużycie energii elektrycznej w kilowatogodzinach na rok w nowo wybudowanym domu?
uczenie nadzorowane,
uczenie nienadzorowane;

Załóżmy, że masz zbiór danych o locie z tymi kolumnami:

Obraz wiersza danych lotu.

Jeśli chcesz przewidzieć koszt biletu na przejazd autobusem, użyjesz regresji czy klasyfikacji?
Regresja
Klasyfikacja
Czy na podstawie zbioru danych możesz wytrenować model klasyfikacji, który zaklasyfikuje koszt biletu na przejazd autokarem jako „wysoki”, „średni” lub „niski”?
Nie. Modele klasyfikacji przewidują tylko 2 kategorie, np. spam lub not_spam. Model musiałby przewidywać 3 kategorie.
Tak, ale najpierw musimy przekonwertować wartości liczbowe w kolumnie coach_ticket_cost na wartości jakościowe.
Nie. Nie można utworzyć modelu klasyfikacji. Wartości coach_ticket_cost są liczbowe, a nie kategorialne.

Trenowanie i ocenianie

Po wytrenowaniu modelu oceniamy go, korzystając ze zbioru danych z oznaczonymi przykładami, i porównujemy przewidywaną wartość modelu z rzeczywistą wartością etykiety.

Wybierz 2 najlepsze odpowiedzi na pytanie.

Jeśli prognozy modelu są bardzo niedokładne, co możesz zrobić, aby je ulepszyć?
Wypróbuj inne podejście do szkolenia. Jeśli na przykład używasz podejścia nadzorowanego, spróbuj podejścia nienadzorowanego.
Nie możesz poprawić modelu, którego prognozy są bardzo niedokładne.
Ponownie przetrenować model, ale używać tylko tych cech, które Twoim zdaniem mają największą moc predykcyjną dla etykiety.
ponownie przetrenować model, używając większego i bardziej zróżnicowanego zbioru danych;

Teraz możesz przejść do następnego etapu nauki o ML:

  • Przewodnik: Ludzie + AI. Jeśli szukasz zestawu metod, sprawdzonych metod i przykładów dotyczących korzystania z systemów uczących się, które zostały opracowane przez pracowników Google, ekspertów branżowych i badaczy akademickich.

  • Formułowanie problemu. Jeśli szukasz sprawdzonego podejścia do tworzenia modeli ML i unikania typowych błędów.

  • Szybkie szkolenie z uczenia maszynowego Jeśli chcesz dowiedzieć się więcej o uczeniu maszynowym w praktyce.