Wprowadzenie do kadrowania z systemami uczącymi się – pokazuje, czy takie systemy są dobrym rozwiązaniem problemu, oraz wyjaśnia, jak opracować rozwiązanie ML.
Wprowadzenie do ramowania problemu z systemami uczącymi się
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: 2022-09-27 UTC.
[null,null,["Ostatnia aktualizacja: 2022-09-27 UTC."],[[["\u003cp\u003eThis course helps you identify if a problem is suitable for machine learning solutions.\u003c/p\u003e\n"],["\u003cp\u003eYou will learn how to define an ML problem, select the appropriate model, and establish success metrics.\u003c/p\u003e\n"],["\u003cp\u003eThe course provides guidance on framing your problem for machine learning and outlines the steps to build a solution.\u003c/p\u003e\n"]]],[],null,["# Introduction to Machine Learning Problem Framing\n\n\u003cbr /\u003e\n\n*Introduction to Machine Learning Problem Framing* teaches you how to determine\nif machine learning (ML) is a good approach for a problem and explains how to\noutline an ML solution.\n| **Estimated Course Length:** 45 minutes\n| **Objectives:**\n|\n| - Identify if ML is a good solution for a problem.\n| - Learn how to frame an ML problem.\n| - Understand how to pick the right model and define success metrics."]]