Zusammenfassung
Das Formulieren eines Problems in Bezug auf ML ist ein zweistufiger Prozess:
So prüfen Sie, ob KI ein geeigneter Ansatz ist:
- Verstehen Sie das Problem.
- Einen klaren Anwendungsfall identifizieren
- Daten auswerten
Fassen Sie das Problem in ML-Begriffen zusammen:
- Definieren Sie das ideale Ergebnis und das Ziel des Modells.
- Identifizieren Sie die Ausgabe des Modells.
- Definieren Sie Erfolgsmesswerte.
Diese Schritte können Zeit und Ressourcen sparen, indem klare Ziele festgelegt und ein gemeinsames Framework für die Zusammenarbeit mit anderen ML-Experten bereitgestellt wird.
Mit den folgenden Übungen können Sie ein ML-Problem formulieren und eine Lösung erarbeiten:
Responsible AI
Beachten Sie bei der Implementierung von ML-Lösungen immer die Grundsätze für verantwortungsbewusste KI von Google.
Eine praktische Einführung in die Verbesserung der Fairness und die Minimierung von Voreingenommenheit beim maschinellen Lernen finden Sie im MLCC-Modul zu Fairness.
Weiter lernen
Weitere Lernressourcen für maschinelles Lernen
Sofern nicht anders angegeben, sind die Inhalte dieser Seite unter der Creative Commons Attribution 4.0 License und Codebeispiele unter der Apache 2.0 License lizenziert. Weitere Informationen finden Sie in den Websiterichtlinien von Google Developers. Java ist eine eingetragene Marke von Oracle und/oder seinen Partnern.
Zuletzt aktualisiert: 2025-02-28 (UTC).
[null,null,["Zuletzt aktualisiert: 2025-02-28 (UTC)."],[[["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."]]],[]]
