Introduktion
Genomtänkta maskininlärningslösningar utgör grunden för dagens AI-program. Från förutsägelseanalys till anpassade rekommendationer och senare stöder maskininlärningslösningar de senaste tekniska framstegen i samhället genom att använda befintliga data för att skapa nya insikter.
Dataforskare fattar beslut för att hantera maskininlärningsproblem på olika sätt. De beslut de fattar påverkar lösningens kostnad, hastighet, kvalitet och livslängd.
I den här modulen får du lära dig hur du utformar en maskininlärningslösning från slutpunkt till slutpunkt med Microsoft Azure som kan användas i en företagsinställning. Med hjälp av följande sex steg som ramverk utforskar vi hur du planerar, tränar, distribuerar och övervakar maskininlärningslösningar.
- Definiera problemet: Bestäm vad modellen ska förutsäga och när den lyckas.
- Hämta data: Hitta datakällor och få åtkomst.
- Förbered data: Utforska data. Rensa och transformera data baserat på modellens krav.
- Träna modellen: Välj en algoritm och hyperparametervärden baserat på utvärderingsversion och fel.
- Integrera modellen: Distribuera modellen till en slutpunkt för att generera förutsägelser.
- Övervaka modellen: Spåra modellens prestanda.
Kommentar
Diagrammet är en förenklad representation av maskininlärningsprocessen. Vanligtvis är processen iterativ och kontinuerlig. När du till exempel övervakar modellen kan du välja att gå tillbaka och träna om modellen.
Nu ska vi titta på hur vi kan komma igång med en maskininlärningslösning genom att definiera problemet.