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