Zusammenfassung
Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Ein Problem in Bezug auf maschinelles Lernen zu formulieren, ist ein zweistufiger Prozess:
So prüfen Sie, ob maschinelles Lernen ein guter Ansatz ist:
- Verstehen Sie das Problem.
- Einen klaren Anwendungsfall identifizieren
- Daten richtig interpretieren
So formulieren Sie das Problem in ML-Begriffen:
- Definieren Sie das ideale Ergebnis und das Ziel des Modells.
- Identifizieren Sie die Ausgabe des Modells.
- Erfolgsmesswerte definieren
Diese Schritte können Zeit und Ressourcen sparen, da sie klare Ziele festlegen und einen gemeinsamen Rahmen für die Zusammenarbeit mit anderen ML-Experten bieten.
Verwenden Sie die folgenden Übungen, um ein ML-Problem zu formulieren und eine Lösung zu entwickeln:
Responsible AI
Bei der Implementierung von ML-Lösungen müssen Sie immer die Google-Grundsätze für verantwortungsbewusste KI einhalten.
Eine praktische Einführung zur Verbesserung der Fairness und zur Minimierung von Bias beim maschinellen Lernen finden Sie im MLCC-Modul zu Fairness.
Weiterlernen
Weitere ML-Lernressourcen
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: 2025-08-04 (UTC).
[null,null,["Zuletzt aktualisiert: 2025-08-04 (UTC)."],[[["\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/)"]]
