Erkundung des Prozesses des maschinellen Lernens Training Ppt

Folie 1

Auf dieser Folie werden sieben wichtige Schritte aufgeführt, die das Ziel, Computer mit Intelligenz einzubetten, relativ einfach machen, angefangen bei der Datenerfassung bis hin zur Erstellung von Vorhersagen.

Folie 2

Diese Folie beschreibt den ersten Schritt des maschinellen Lernens: Datenerfassung. Maschinen lernen zunächst aus den Daten, die Sie ihnen bereitstellen. Es ist wichtig, zuverlässige Daten zu erhalten, um die richtigen Muster für Ihr maschinelles Lernmodell zu identifizieren. Stellen Sie sicher, dass Sie Daten aus einer seriösen Quelle verwenden, da sich diese direkt auf die Ausgabe Ihres Modells auswirken. Gute Daten sind aussagekräftig, weisen wenige fehlende oder doppelte Zahlen auf und stellen die verfügbaren Unterkategorien/Klassen genau dar.

Folie 3

Auf dieser Folie werden die wichtigsten Punkte der Datenvorbereitung aufgeführt. Beginnen Sie damit, alle Ihre Daten zusammenzustellen und zufällig zu sortieren. Stellen Sie dabei sicher, dass die Daten gleichmäßig verteilt sind und dass die Reihenfolge den Lernprozess nicht beeinträchtigt. Aufteilen der bereinigten Daten in zwei Sätze, einen zum Training und einen zum Testen. Der Trainingssatz ist der Satz, aus dem Ihr Modell lernt, und ein Testsatz wird verwendet, um die Korrektheit Ihres Modells nach dem Training zu beurteilen.

Folie 4

Diese Folie zeigt, dass ein Modell für maschinelles Lernen durch die Ausführung eines Algorithmus für maschinelles Lernen auf den erfassten Daten entsteht. Es ist wichtig, ein Modell auszuwählen, das für die jeweilige Arbeit geeignet ist. Wissenschaftler und Ingenieure haben Modelle erstellt, die für Aufgaben wie Spracherkennung, Bilderkennung, Vorhersage usw. geeignet sind.

Folie 5

Auf dieser Folie wird aufgeführt, dass die kritischste Phase beim maschinellen Lernen das Training ist. Während des Trainings geben Sie die aufbereiteten Daten an Ihr Machine-Learning-Modell weiter, das nach Mustern sucht und Vorhersagen trifft.

Folie 6

Diese Folie gibt einen Überblick über die Modellbewertung. Nachdem Sie Ihr Modell trainiert haben, möchten Sie sehen, wie es funktioniert. Dies wird erreicht, indem die Leistung des Modells anhand unbekannter Daten bewertet wird. Wenn die Tests mit denselben Daten durchgeführt werden, die auch für das Training verwendet wurden, erhalten Sie ein unverhältnismäßig hohes Maß an Präzision. Das Programm ist in diesem Fall bereits mit den Daten vertraut und erkennt dieselben Muster wie zuvor.

Folie 7

Auf dieser Folie werden die Schritte zur Parameteroptimierung aufgeführt. Nachdem Sie Ihr Modell konstruiert und getestet haben, prüfen Sie, ob Sie seine Genauigkeit verbessern können. Dies wird durch eine Feinabstimmung der Parameter in Ihrem Modell erreicht. Parameter sind die Variablen im Modell, die normalerweise vom Programmierer bestimmt werden. Die Genauigkeit ist bei einem bestimmten Parameterwert am höchsten, und das Finden dieser Einstellungen wird als Parameteroptimierung bezeichnet.

Folie 8

Diese Folie gibt einen Überblick über die Vorhersage. Unter „Vorhersage“ versteht man das Ergebnis eines Algorithmus, nachdem er anhand eines früheren Datensatzes trainiert und auf neue Daten angewendet wurde, während gleichzeitig die Wahrscheinlichkeit eines bestimmten Ergebnisses vorhergesagt wird, beispielsweise ob ein Kunde in 30 Tagen abwandern würde oder nicht.