खास जानकारी
संग्रह की मदद से व्यवस्थित रहें
अपनी प्राथमिकताओं के आधार पर, कॉन्टेंट को सेव करें और कैटगरी में बांटें.
मशीन लर्निंग के हिसाब से किसी समस्या को फ़्रेम करने की प्रोसेस में दो चरण होते हैं:
पुष्टि करें कि एमएल एक अच्छा तरीका है. इसके लिए, यह तरीका अपनाएं:
- समस्या को समझें.
- इस्तेमाल के उदाहरण के बारे में साफ़ तौर पर बताएं.
- डेटा को समझें.
नीचे दिए गए तरीके अपनाकर, एमएल की शब्दावली में समस्या को फ़्रेम करें:
- मॉडल के लक्ष्य और सबसे अच्छे नतीजे को तय करें.
- मॉडल के आउटपुट की पहचान करें.
- सफलता की मेट्रिक तय करें.
इन चरणों से, समय और संसाधनों को बचाया जा सकता है. इसके लिए, साफ़ तौर पर लक्ष्य तय करें और एमएल के अन्य विशेषज्ञों के साथ काम करने के लिए, एक शेयर किया गया फ़्रेमवर्क उपलब्ध कराएं.
एमएल की समस्या को फ़्रेम करने और उसका समाधान तैयार करने के लिए, यहां दी गई एक्सरसाइज़ का इस्तेमाल करें:
ज़िम्मेदार एआई
एमएल समाधान लागू करते समय, हमेशा Google के एआई से जुड़े सिद्धांतों का पालन करें.
एमएल में निष्पक्षता को बेहतर बनाने और पूर्वाग्रह को कम करने के बारे में जानने के लिए, MLCC का निष्पक्षता मॉड्यूल देखें.
सीखते रहें
मशीन लर्निंग के बारे में जानने के लिए ज़्यादा संसाधन
जब तक कुछ अलग से न बताया जाए, तब तक इस पेज की सामग्री को Creative Commons Attribution 4.0 License के तहत और कोड के नमूनों को Apache 2.0 License के तहत लाइसेंस मिला है. ज़्यादा जानकारी के लिए, Google Developers साइट नीतियां देखें. Oracle और/या इससे जुड़ी हुई कंपनियों का, Java एक रजिस्टर किया हुआ ट्रेडमार्क है.
आखिरी बार 2025-08-04 (UTC) को अपडेट किया गया.
[null,null,["आखिरी बार 2025-08-04 (UTC) को अपडेट किया गया."],[[["\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/)"]]
