Алгарытмы машыннага навучання распрацаваны, каб рабіць прагнозы на новых прыкладах, выкарыстоўваючы шаблоны і ўзаемасувязі, атрыманыя з існуючых даных. У кантэксце воблачных вылічэнняў і, у прыватнасці, лабараторый Google Cloud Platform (GCP), гэтаму працэсу спрыяе магутнае машыннае навучанне з Cloud ML Engine.
Каб зразумець, як машыннае навучанне робіць прагнозы на новых прыкладах, вельмі важна зразумець асноўныя этапы:
1. Збор і падрыхтоўка даных: Першым крокам з'яўляецца збор адпаведных даных, якія адлюстроўваюць праблему. Гэтыя даныя могуць быць сабраны з розных крыніц, такіх як базы дадзеных, API або нават кантэнт, створаны карыстальнікамі. Пасля збору даныя неабходна папярэдне апрацаваць і ачысціць, каб пераканацца ў іх якасці і прыдатнасці для навучання мадэлі машыннага навучання.
2. Выманне і выбар прыкмет: для таго, каб зрабіць дакладныя прагнозы, важна вызначыць і атрымаць найбольш важныя функцыі з сабраных даных. Гэтыя функцыі дзейнічаюць як ўваходныя дадзеныя для мадэлі машыннага навучання і могуць значна паўплываць на яе прадукцыйнасць. Метады выбару функцый, такія як памяншэнне памернасці або распрацоўка функцый, могуць быць выкарыстаны для павышэння прагназуючай здольнасці мадэлі.
3. Навучанне мадэлі: з падрыхтаванымі данымі і выбранымі функцыямі мадэль машыннага навучання навучаецца з выкарыстаннем адпаведнага алгарытму. Падчас навучання мадэль вывучае асноўныя заканамернасці і ўзаемасувязі ў дадзеных, карэктуючы свае ўнутраныя параметры, каб мінімізаваць розніцу паміж прагназуемымі і фактычнымі вынікамі. Працэс навучання прадугледжвае ітэрацыйную аптымізацыю, калі мадэль некалькі разоў падвяргаецца ўздзеянню даных, паступова паляпшаючы свае магчымасці прагназавання.
4. Ацэнка мадэлі: пасля навучання прадукцыйнасць мадэлі неабходна ацаніць, каб ацаніць яе дакладнасць і магчымасці абагульнення. Звычайна гэта робіцца шляхам падзелу даных на навучальныя і тэставыя наборы, дзе тэставы набор выкарыстоўваецца для вымярэння прадукцыйнасці мадэлі на нябачных прыкладах. Такія ацэначныя паказчыкі, як дакладнасць, дакладнасць, запамінанне або адзнака F1, могуць быць выкарыстаны для колькаснай ацэнкі якасці прагназавання мадэлі.
5. Прагноз на новых прыкладах: як толькі навучаная мадэль праходзіць стадыю ацэнкі, яна гатовая рабіць прагнозы на новых, нябачаных прыкладах. Для гэтага мадэль прымяняе вывучаныя шаблоны і адносіны да ўваходных функцый новых прыкладаў. Унутраныя параметры мадэлі, якія былі адрэгуляваны падчас навучання, выкарыстоўваюцца для стварэння прагнозаў на аснове прадстаўленых уваходных дадзеных. Выхадам гэтага працэсу з'яўляецца прадказаны вынік або метка класа, звязаная з кожным новым прыкладам.
Важна адзначыць, што дакладнасць прагнозаў на новых прыкладах у значнай ступені залежыць ад якасці навучальных даных, рэпрэзентатыўнасці функцый і складанасці асноўных шаблонаў. Акрамя таго, прадукцыйнасць мадэлі машыннага навучання можа быць дадаткова палепшана шляхам выкарыстання такіх метадаў, як ансамблевае навучанне, налада мадэлі або выкарыстанне больш прасунутых алгарытмаў.
Каб праілюстраваць гэты працэс, давайце разгледзім практычны прыклад. Выкажам здагадку, што ў нас ёсць набор даных, які змяшчае інфармацыю аб кліентах, уключаючы іх узрост, пол і гісторыю пакупак. Мы хочам пабудаваць мадэль машыннага навучання, якая прадказвае, ці верагодна кліент адмовіцца (г. зн. спыніць карыстацца паслугай). Пасля збору і папярэдняй апрацоўкі даных мы можам навучыць мадэль з дапамогай такіх алгарытмаў, як лагістычная рэгрэсія, дрэвы рашэнняў або нейронавыя сеткі. Пасля навучання і ацэнкі мадэлі мы можам выкарыстоўваць яе для прагназавання верагоднасці адтоку новых кліентаў на аснове іх узросту, полу і гісторыі пакупак.
Машыннае навучанне робіць прагнозы на новых прыкладах, выкарыстоўваючы заканамернасці і адносіны, атрыманыя з існуючых даных. Гэты працэс уключае ў сябе збор і падрыхтоўку даных, вылучэнне і выбар функцый, навучанне мадэлі, ацэнку і, нарэшце, прагназаванне на новых прыкладах. Выконваючы гэтыя крокі і выкарыстоўваючы такія магутныя інструменты, як Google Cloud ML Engine, можна рабіць дакладныя прагнозы ў розных даменах і праграмах.
Іншыя апошнія пытанні і адказы адносна EITC/CL/GCP Google Cloud Platform:
- Ці існуе якое-небудзь мабільнае прыкладанне Android, якое можна выкарыстоўваць для кіравання воблачнай платформай Google?
- Якія ёсць спосабы кіравання воблачнай платформай Google?
- Што такое хмарныя вылічэнні?
- У чым розніца паміж Bigquery і Cloud SQL
- У чым розніца паміж воблачным SQL і воблачным ключом
- Што такое GCP App Engine?
- У чым розніца паміж Cloud Run і GKE
- У чым розніца паміж AutoML і Vertex AI?
- Што такое кантэйнернае прыкладанне?
- У чым розніца паміж Dataflow і BigQuery?
Глядзіце больш пытанняў і адказаў у EITC/CL/GCP Google Cloud Platform