Resumo
Definir um problema em termos de ML é um processo de duas etapas:
Para verificar se a ML é uma boa abordagem, faça o seguinte:
- Entenda o problema.
- Identifique um caso de uso claro.
- Entenda os dados.
Defina o problema em termos de ML fazendo o seguinte:
- Defina o resultado ideal e a meta do modelo.
- Identifique a saída do modelo.
- Defina métricas de sucesso.
Essas etapas podem economizar tempo e recursos ao definir metas claras e fornecer um
framework compartilhado para trabalhar com outros profissionais de ML.
Use os exercícios a seguir para definir um problema de ML e formular uma solução:
IA responsável
Ao implementar soluções de ML, siga sempre os
princípios de IA responsável do Google.
Para uma introdução prática sobre como melhorar a equidade e reduzir o viés no
ML, consulte o módulo de equidade do MLCC.
Continue aprendendo
Mais recursos de aprendizado de ML
Exceto em caso de indicação contrária, o conteúdo desta página é licenciado de acordo com a Licença de atribuição 4.0 do Creative Commons, e as amostras de código são licenciadas de acordo com a Licença Apache 2.0. Para mais detalhes, consulte as políticas do site do Google Developers. Java é uma marca registrada da Oracle e/ou afiliadas.
Última atualização 2025-02-28 UTC.
[null,null,["Última atualização 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."]]],[]]
