요약
ML 관점에서 문제를 프레이밍하는 것은 두 단계로 이루어집니다.
다음을 수행하여 ML이 적절한 접근 방식인지 확인합니다.
- 문제를 파악합니다.
- 명확한 사용 사례를 파악합니다.
- 데이터를 이해합니다.
다음을 수행하여 ML 용어로 문제를 정의합니다.
- 이상적인 결과와 모델의 목표를 정의합니다.
- 모델의 출력을 식별합니다.
- 성공 측정항목을 정의합니다.
이러한 단계를 통해 명확한 목표를 설정하고 다른 ML 실무자와 협력하기 위한 공유 프레임워크를 제공하여 시간과 리소스를 절약할 수 있습니다.
다음 연습을 사용하여 ML 문제를 정의하고 솔루션을 공식화하세요.
책임감 있는 AI
ML 솔루션을 구현할 때는 항상 Google의 책임감 있는 AI 원칙을 따르세요.
ML에서 공정성을 개선하고 편향을 완화하는 방법에 관한 실용적인 소개는 MLCC 공정성 모듈을 참고하세요.
계속 학습
더 많은 ML 학습 리소스
달리 명시되지 않는 한 이 페이지의 콘텐츠에는 Creative Commons Attribution 4.0 라이선스에 따라 라이선스가 부여되며, 코드 샘플에는 Apache 2.0 라이선스에 따라 라이선스가 부여됩니다. 자세한 내용은 Google Developers 사이트 정책을 참조하세요. 자바는 Oracle 및/또는 Oracle 계열사의 등록 상표입니다.
최종 업데이트: 2025-02-28(UTC)
[null,null,["최종 업데이트: 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."]]],[]]
