الملخّص
تتطلّب صياغة مشكلة من حيث تعلُّم الآلة تنفيذ خطوتَين:
تأكَّد من أنّ الذكاء الاصطناعي هو نهج جيد من خلال تنفيذ ما يلي:
- فهم المشكلة
- حدِّد حالة استخدام واضحة.
- فهم البيانات
حدِّد المشكلة بمصطلحات تعلُّم الآلة من خلال إجراء ما يلي:
- حدِّد النتيجة المثالية وهدف النموذج.
- حدِّد ناتج النموذج.
- حدِّد مقاييس النجاح.
يمكن أن توفّر هذه الخطوات الوقت والموارد من خلال تحديد أهداف واضحة وتوفير إطار عمل
مشترَك للعمل مع خبراء الذكاء الاصطناعي الآخرين.
استخدِم التمارين التالية لصياغة مشكلة تعلُّم الآلة واقتراح حلّ لها:
استخدام الذكاء الاصطناعي بشكل مسؤول
عند تنفيذ حلول تعلُّم الآلة، يجب دائمًا اتّباع
مبادئ الذكاء الاصطناعي المسؤول من Google.
للحصول على مقدمة عملية لتحسين العدالة والحدّ من الانحياز في
الذكاء الاصطناعي، اطّلِع على وحدة العدالة في MLCC.
مواصلة التعلّم
مزيد من مراجع تعلُّم الذكاء الاصطناعي
إنّ محتوى هذه الصفحة مرخّص بموجب ترخيص Creative Commons Attribution 4.0 ما لم يُنصّ على خلاف ذلك، ونماذج الرموز مرخّصة بموجب ترخيص Apache 2.0. للاطّلاع على التفاصيل، يُرجى مراجعة سياسات موقع Google Developers. إنّ Java هي علامة تجارية مسجَّلة لشركة Oracle و/أو شركائها التابعين.
تاريخ التعديل الأخير: 2025-02-28 (حسب التوقيت العالمي المتفَّق عليه)
[null,null,["تاريخ التعديل الأخير: 2025-02-28 (حسب التوقيت العالمي المتفَّق عليه)"],[[["Framing a Machine Learning (ML) problem involves understanding the problem, identifying a use case, understanding the data, and then defining the desired outcome, model output, and success metrics."],["These steps help in setting clear objectives and establishing a collaborative framework when working with other ML professionals."],["Applying ML can raise privacy and ethical issues which need careful consideration before deploying a model, using available resources to mitigate these risks."],["Further learning resources are available on data preparation, feature engineering, testing, debugging in ML, and responsible AI practices."]]],[]]
