الملخّص
تنظيم صفحاتك في مجموعات
يمكنك حفظ المحتوى وتصنيفه حسب إعداداتك المفضّلة.
يتضمّن تحديد المشكلة من منظور تعلُّم الآلة خطوتَين:
تأكَّد من أنّ تعلُّم الآلة هو الأسلوب المناسب من خلال اتّباع الخطوات التالية:
- فهم المشكلة
- تحديد حالة استخدام واضحة
- فهم البيانات
صِغ المشكلة بعبارات تعبّر عن تعلُّم الآلة من خلال اتّباع الخطوات التالية:
- حدِّد النتيجة المثالية وهدف النموذج.
- تحديد ناتج النموذج
- تحديد مقاييس النجاح
يمكن أن تساعدك هذه الخطوات في توفير الوقت والموارد من خلال تحديد أهداف واضحة وتوفير إطار عمل مشترك للتعاون مع خبراء آخرين في تعلُّم الآلة.
استخدِم التدريبات التالية لتحديد مشكلة تعلُّم آلي وصياغة حلّ لها:
الذكاء الاصطناعي المسؤول
عند تنفيذ حلول تعلُّم الآلة، اتّبِع دائمًا
مبادئ الذكاء الاصطناعي المسؤول في Google.
للحصول على مقدّمة عملية حول تحسين العدالة والحدّ من التحيز في تعلُّم الآلة، راجِع وحدة العدالة في دورة تعلُّم الآلة المكثّفة.
مواصلة التعلّم
المزيد من المراجع حول تعلُّم الآلة
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: 2025-08-04 (حسب التوقيت العالمي المتفَّق عليه)
[null,null,["تاريخ التعديل الأخير: 2025-08-04 (حسب التوقيت العالمي المتفَّق عليه)"],[[["\u003cp\u003eFraming 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.\u003c/p\u003e\n"],["\u003cp\u003eThese steps help in setting clear objectives and establishing a collaborative framework when working with other ML professionals.\u003c/p\u003e\n"],["\u003cp\u003eApplying ML can raise privacy and ethical issues which need careful consideration before deploying a model, using available resources to mitigate these risks.\u003c/p\u003e\n"],["\u003cp\u003eFurther learning resources are available on data preparation, feature engineering, testing, debugging in ML, and responsible AI practices.\u003c/p\u003e\n"]]],[],null,["# Summary\n\n\u003cbr /\u003e\n\nFraming a problem in terms of ML is a two-step process:\n\n1. Verify that ML is a good approach by doing the following:\n\n - Understand the problem.\n - Identify a clear use case.\n - Understand the data.\n2. Frame the problem in ML terms by doing the following:\n\n - Define the ideal outcome and the model's goal.\n - Identify the model's output.\n - Define success metrics.\n\nThese steps can save time and resources by setting clear goals and providing a\nshared framework for working with other ML practitioners.\n\nUse the following exercises to frame an ML problem and formulate a solution:\n\n- [Framing an ML problem](/machine-learning/problem-framing/try-it/framing-exercise)\n- [Formulating a solution](/machine-learning/problem-framing/try-it/formulate-exercise)\n\nResponsible AI\n--------------\n\nWhen implementing ML solutions, always follow\n[Google's Responsible AI Principles](https://ai.google/responsibility/principles).\n\nFor a hands-on introduction for improving fairness and mitigating bias in\nML, see the [MLCC Fairness module](https://developers.google.com/machine-learning/crash-course/fairness).\n\nKeep learning\n-------------\n\n### More ML learning resources\n\n- [Data Preparation and Feature Engineering](/machine-learning/data-prep)\n- [Testing and Debugging in Machine Learning](/machine-learning/testing-debugging)\n- [People + AI Research](https://pair.withgoogle.com/)"]]
