Résumé
La formulation d'un problème en termes de ML se fait en deux étapes:
Vérifiez que le ML est une bonne approche en procédant comme suit:
- Comprendre le problème.
- Identifiez un cas d'utilisation clair.
- Comprendre les données
Formulez le problème en termes de ML en procédant comme suit:
- Définissez le résultat idéal et l'objectif du modèle.
- Identifiez la sortie du modèle.
- Définissez des métriques de réussite.
Ces étapes peuvent vous faire gagner du temps et des ressources en définissant des objectifs clairs et en fournissant un framework partagé pour travailler avec d'autres professionnels du ML.
Utilisez les exercices suivants pour formuler un problème de ML et une solution:
Une IA responsable
Lorsque vous implémentez des solutions de ML, suivez toujours les principes d'IA responsable de Google.
Pour une présentation pratique sur l'amélioration de l'équité et la réduction des biais dans le ML, consultez le module sur l'équité MLCC.
Poursuivez votre apprentissage
Autres ressources d'apprentissage du ML
Sauf indication contraire, le contenu de cette page est régi par une licence Creative Commons Attribution 4.0, et les échantillons de code sont régis par une licence Apache 2.0. Pour en savoir plus, consultez les Règles du site Google Developers. Java est une marque déposée d'Oracle et/ou de ses sociétés affiliées.
Dernière mise à jour le 2025/02/28 (UTC).
[null,null,["Dernière mise à jour le 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."]]],[]]
