Explorando o processo de aprendizado de máquina Ppt

Slide 1

Este slide lista sete etapas principais que tornam o objetivo de incorporar computadores com inteligência relativamente simples, desde a coleta de dados até a realização de previsões.

Slide 2

Este slide descreve a primeira etapa do aprendizado de máquina: coleta de dados. As máquinas começam aprendendo com os dados que você fornece a elas. É fundamental obter dados confiáveis para identificar os padrões corretos para o seu modelo de Machine Learning. Certifique-se de usar dados de uma fonte confiável, pois isso afetará diretamente a saída do seu modelo. Bons dados são significativos, têm poucos números ausentes ou duplicados e representam com precisão as subcategorias/classes disponíveis.

Slide 3

Este slide lista os principais pontos envolvidos na preparação de dados. Começando por reunir todos os seus dados e randomizá-los, garantindo que os dados sejam dispersos uniformemente e que a ordenação não interfira no processo de aprendizado. Separando os dados limpos em dois conjuntos, um para treinamento e outro para teste. O conjunto de treinamento é o conjunto a partir do qual seu modelo aprende, e um conjunto de teste é usado para avaliar a exatidão de seu modelo após ele ter sido treinado.

Slide 4

Este slide mostra que um modelo de aprendizado de máquina resulta da execução de um algoritmo de aprendizado de máquina nos dados adquiridos. É fundamental selecionar um modelo que seja apropriado para o trabalho em questão. Cientistas e engenheiros criaram modelos adequados para tarefas como reconhecimento de fala, reconhecimento de imagem, previsão e assim por diante.

Slide 5

Este slide lista que a fase mais crítica no aprendizado de máquina é o treinamento. Durante o treinamento, você alimenta o modelo de aprendizado de máquina com os dados preparados, que procura padrões e faz previsões.

Slide 6

Este slide fornece uma visão geral da avaliação do modelo. Depois de treinar seu modelo, você vai querer ver como ele está se saindo. Isso é feito avaliando o desempenho do modelo com dados desconhecidos. Se o teste for feito nos mesmos dados usados para treinamento, você obterá um nível de precisão desproporcionalmente alto. O programa, neste caso, já está familiarizado com os dados e vê os mesmos padrões que via anteriormente.

Slide 7

Este slide lista as etapas envolvidas no ajuste de parâmetros. Depois de construir e testar seu modelo, verifique se você pode aumentar sua precisão Isso é feito ajustando os parâmetros em seu modelo. Parâmetros são as variáveis no modelo que geralmente são determinadas pelo programador. A precisão será maior em um determinado valor de parâmetro, e encontrar essas configurações é chamado de ajuste de parâmetro.

Slide 8

Este slide fornece uma visão geral da previsão. Fazer previsões refere-se ao resultado de um algoritmo após ele ter sido treinado em um conjunto de dados anterior e aplicado a novos dados enquanto se antecipa a probabilidade de um resultado específico, como se um cliente desistiria ou não em 30 dias.