Tóm tắt
Sử dụng bộ sưu tập để sắp xếp ngăn nắp các trang
Lưu và phân loại nội dung dựa trên lựa chọn ưu tiên của bạn.
Việc đặt ra vấn đề theo hướng tiếp cận bằng học máy là một quy trình gồm 2 bước:
Xác minh rằng ML là một phương pháp phù hợp bằng cách thực hiện những việc sau:
- Tìm hiểu vấn đề.
- Xác định một trường hợp sử dụng rõ ràng.
- Tìm hiểu dữ liệu.
Định hình vấn đề theo thuật ngữ học máy bằng cách làm như sau:
- Xác định kết quả lý tưởng và mục tiêu của mô hình.
- Xác định đầu ra của mô hình.
- Xác định chỉ số thành công.
Những bước này có thể giúp bạn tiết kiệm thời gian và tài nguyên bằng cách đặt ra các mục tiêu rõ ràng và cung cấp một khung làm việc chung với những người thực hành học máy khác.
Hãy sử dụng các bài tập sau để xác định vấn đề về học máy và đưa ra giải pháp:
AI có trách nhiệm
Khi triển khai các giải pháp học máy, hãy luôn tuân thủ Các nguyên tắc của Google về AI có trách nhiệm.
Để biết thông tin giới thiệu thực tế về cách cải thiện tính công bằng và giảm thiểu sự thiên vị trong học máy, hãy xem mô-đun Công bằng của MLCC.
Tiếp tục học tập
Tài nguyên học tập khác về học máy
Trừ phi có lưu ý khác, nội dung của trang này được cấp phép theo Giấy phép ghi nhận tác giả 4.0 của Creative Commons và các mẫu mã lập trình được cấp phép theo Giấy phép Apache 2.0. Để biết thông tin chi tiết, vui lòng tham khảo Chính sách trang web của Google Developers. Java là nhãn hiệu đã đăng ký của Oracle và/hoặc các đơn vị liên kết với Oracle.
Cập nhật lần gần đây nhất: 2025-08-04 UTC.
[null,null,["Cập nhật lần gần đây nhất: 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/)"]]
