خلاصه
چارچوب بندی یک مشکل از نظر ML یک فرآیند دو مرحله ای است:
با انجام موارد زیر اطمینان حاصل کنید که ML رویکرد خوبی است:
- مشکل را درک کنید.
- یک مورد استفاده واضح را شناسایی کنید.
- داده ها را درک کنید.
با انجام موارد زیر مشکل را در قالب ML تنظیم کنید:
- نتیجه ایده آل و هدف مدل را تعریف کنید.
- خروجی مدل را شناسایی کنید.
- معیارهای موفقیت را تعریف کنید.
این مراحل می تواند با تعیین اهداف روشن و ارائه یک چارچوب مشترک برای کار با سایر پزشکان ML در زمان و منابع صرفه جویی کند.
از تمرین های زیر برای قالب بندی یک مسئله ML و فرموله کردن راه حل استفاده کنید:
هوش مصنوعی مسئول
هنگام پیاده‌سازی راه‌حل‌های ML، همیشه از اصول هوش مصنوعی گوگل پیروی کنید.
برای معرفی عملی برای بهبود انصاف و کاهش تعصب در ML، به ماژول MLCC Fairness مراجعه کنید.
به یادگیری ادامه دهید
منابع یادگیری ML بیشتر
جز در مواردی که غیر از این ذکر شده باشد،محتوای این صفحه تحت مجوز Creative Commons Attribution 4.0 License است. نمونه کدها نیز دارای مجوز Apache 2.0 License است. برای اطلاع از جزئیات، به خطمشیهای سایت Google Developers مراجعه کنید. جاوا علامت تجاری ثبتشده Oracle و/یا شرکتهای وابسته به آن است.
تاریخ آخرین بهروزرسانی 2025-02-28 بهوقت ساعت هماهنگ جهانی.
[null,null,["تاریخ آخرین بهروزرسانی 2025-02-28 بهوقت ساعت هماهنگ جهانی."],[[["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."]]],[]]
