Özet
Koleksiyonlar ile düzeninizi koruyun
İçeriği tercihlerinize göre kaydedin ve kategorilere ayırın.
Bir problemi makine öğrenimi açısından çerçevelemek iki adımlı bir süreçtir:
Aşağıdakileri yaparak makine öğreniminin iyi bir yaklaşım olduğunu doğrulayın:
- Sorunu anlayın.
- Net bir kullanım alanı belirleyin.
- Verileri anlayın.
Aşağıdaki adımları uygulayarak sorunu makine öğrenimi terimleriyle çerçeveleyin:
- İdeal sonucu ve modelin hedefini tanımlayın.
- Modelin çıktısını belirleyin.
- Başarı metriklerini tanımlayın.
Bu adımlar, net hedefler belirleyerek ve diğer makine öğrenimi uzmanlarıyla çalışmak için ortak bir çerçeve sağlayarak zamandan ve kaynaklardan tasarruf etmenizi sağlayabilir.
Bir makine öğrenimi sorunu oluşturmak ve çözüm üretmek için aşağıdaki alıştırmalardan yararlanın:
Sorumlu yapay zeka
Makine öğrenimi çözümlerini uygularken her zaman Google'ın Sorumlu Yapay Zeka İlkeleri'ne uyun.
Makine öğreniminde (ML) adaleti artırma ve önyargıyı azaltma konusunda uygulamalı bir giriş için MLCC Fairness modülüne bakın.
Öğrenmeye devam edin
Diğer makine öğrenimi kaynakları
Aksi belirtilmediği sürece bu sayfanın içeriği Creative Commons Atıf 4.0 Lisansı altında ve kod örnekleri Apache 2.0 Lisansı altında lisanslanmıştır. Ayrıntılı bilgi için Google Developers Site Politikaları'na göz atın. Java, Oracle ve/veya satış ortaklarının tescilli ticari markasıdır.
Son güncelleme tarihi: 2025-08-04 UTC.
[null,null,["Son güncelleme tarihi: 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/)"]]
