Шаг 175.
Глубокое обучение на Python.
Обобщенный процесс машинного обучения. Краткие итоги
На этом шаге мы обобщим изученный материал, сформулировав несколько рекомендаций.
Подведем некоторый итог изученному материалу.
- Приступая к новому проекту машинного обучения, сначала определите задачу:
- постарайтесь понять в общем, что вы собираетесь сделать, - конечную цель и возможные ограничения;
- соберите данные и выполните их маркировку; проанализируйте их, чтобы лучше понять суть;
- выберите меру успеха - показатели, которые можно было бы отслеживать по проверочным данным.
- Определив задачу и собрав соответствующий набор данных, разработайте модель:
- подготовьте данные;
- выберите свой протокол оценки: по выделенному из общей выборки проверочному набору данных или методом перекрестной проверки по K блокам.
Определите, какую часть данных вы будете использовать для проверки;
- разработайте первую модель, более совершенную, чем базовый случай, и обладающую статистической мощностью;
- сделайте следующий шаг: разработайте модель, способную переобучаться;
- выполните регуляризацию модели и настройте ее гиперпараметры, опираясь на оценку качества по проверочным данным. Многие исследования в области
машинного обучения сосредоточены исключительно на этом шаге - однако не упускайте из виду общую картину.
- Когда модель будет готова и покажет хороший результат на контрольных данных, можно приступать к ее развертыванию:
- прежде всего объясните особенности работы модели заинтересованным сторонам и обозначьте границы ожидаемого;
- оптимизируйте готовую модель для прогнозирования и поместите ее в выбранное окружение - на веб-сервер, мобильное устройство, в браузер, на встроенное устройство и т.д.;
- наблюдайте за качеством работы вашей модели и продолжайте сбор данных, чтобы потом приступить к разработке модели следующего поколения.
Со следующего шага мы начнем более подробно знакомиться с Keras.
Предыдущий шаг
Содержание
Следующий шаг