Podsumowanie
Zadbaj o dobrą organizację dzięki kolekcji
Zapisuj i kategoryzuj treści zgodnie ze swoimi preferencjami.
Sformułowanie problemu w kontekście uczenia maszynowego to proces dwuetapowy:
Sprawdź, czy uczenie maszynowe jest dobrym rozwiązaniem, wykonując te czynności:
- Zrozum problem.
- Określ wyraźny przypadek użycia.
- Interpretuj dane.
Sformułuj problem w terminach uczenia maszynowego, wykonując te czynności:
- Określ idealny wynik i cel modelu.
- Określ dane wyjściowe modelu.
- Określ dane świadczące o sukcesie.
Te kroki mogą zaoszczędzić czas i zasoby, ponieważ wyznaczają jasne cele i zapewniają wspólną strukturę pracy z innymi specjalistami ds. uczenia maszynowego.
Wykonaj poniższe ćwiczenia, aby sformułować problem związany z uczeniem maszynowym i opracować rozwiązanie:
Odpowiedzialna AI
Podczas wdrażania rozwiązań ML zawsze postępuj zgodnie z zasadami Google dotyczącymi odpowiedzialnego korzystania z AI.
Praktyczne wprowadzenie do poprawy sprawiedliwości i ograniczania odchyleń w uczeniu maszynowym znajdziesz w module MLCC Fairness.
Ucz się dalej
Więcej materiałów do nauki ML
O ile nie stwierdzono inaczej, treść tej strony jest objęta licencją Creative Commons – uznanie autorstwa 4.0, a fragmenty kodu są dostępne na licencji Apache 2.0. Szczegółowe informacje na ten temat zawierają zasady dotyczące witryny Google Developers. Java jest zastrzeżonym znakiem towarowym firmy Oracle i jej podmiotów stowarzyszonych.
Ostatnia aktualizacja: 2025-08-04 UTC.
[null,null,["Ostatnia aktualizacja: 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/)"]]
