यह मॉड्यूल एक लीडिंग सवाल से शुरू होता है.
इनमें से कोई एक जवाब चुनें:
अगर आपको इनमें से किसी एक क्षेत्र को बेहतर बनाना हो, तो
आपके प्रोजेक्ट में सबसे ज़्यादा
क्या असर पड़ेगा?
अपने मॉडल को प्रशिक्षण देने के लिए अधिक चतुर घटिया फ़ंक्शन लागू करना
यह बात सही है कि अगर हारने का फ़ंक्शन बेहतर होता है, तो मॉडल को ट्रेनिंग देने में आसानी होती है. हालांकि,
यह अभी भी इस सूची के किसी अन्य आइटम से एक सेकंड दूर है.
अपने डेटासेट की क्वालिटी को बेहतर बनाना
डेटा सबसे ऊपर है.
डेटासेट की क्वालिटी और साइज़, प्रॉडक्ट की क्वालिटी और साइज़ से कहीं ज़्यादा मायने रखता है
शानदार एल्गोरिदम का इस्तेमाल कैसे किया जाता है.
और यहां एक और भी अहम सवाल दिया गया है:
एक अनुमान लगाएं: आपके मशीन लर्निंग प्रोजेक्ट में,
क्या आपका खर्च आम तौर पर डेटा तैयार करने और उसमें बदलाव करने में होता है?
प्रोजेक्ट में आधे से ज़्यादा समय लगता है
हां, मशीन लर्निंग का इस्तेमाल करने वाले पेशेवर अपना ज़्यादातर समय बिताते हैं
डेटासेट बनाना और फ़ीचर इंजीनियरिंग करना.
प्रोजेक्ट में आधे से कम समय लगता है
और लोगों के लिए प्लान बनाएं! आम तौर पर, मशीन लर्निंग पर 80% समय
प्रोजेक्ट बनाने में खर्च होता है. इसके अलावा, डेटासेट बनाने और डेटा को बदलने पर भी खर्च होता है.
इस मॉड्यूल में, आपको मशीन लर्निंग की विशेषताओं के बारे में ज़्यादा जानकारी मिलेगी
डेटासेट शामिल करने के बारे में जानकारी दी जाती है. साथ ही, जब अच्छी क्वालिटी के नतीजे पाने के लिए अपने डेटा को
ट्रेनिंग और आकलन की सुविधा उपलब्ध है.
[null,null,["आखिरी बार 2024-08-13 (UTC) को अपडेट किया गया."],[[["This module emphasizes the critical role of data quality in machine learning projects, highlighting that it significantly impacts model performance more than algorithm choice."],["Machine 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."],["The 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."],["Learners will gain insights into techniques for improving data quality, mitigating issues like overfitting, and interpreting loss curves to assess model performance."],["This module builds upon foundational machine learning concepts, assuming familiarity with topics like linear regression, numerical and categorical data handling, and basic machine learning principles."]]],[]]
