«Не допускайте той же ошибки, которую я сделал в проекте машинного обучения!»
«Избегайте тех же ошибок, что и я в проекте по машинному обучению!»
Осознание важного компонента в проекте машинного обучения
Часто мы нисколько не учитываем это.
Я узнал это на собственном опыте во время стажировки.
Мой путь начался, когда я начал изучать основы машинного обучения в колледже, я делал множество проектов, чтобы глубоко разобраться в том, как все работает.
Это помогло мне заранее преодолеть многих других, так как это улучшило мои знания для применения этих концепций на практике.
- Стратегии оптимизации производительности и затрат при использовании больших языковых моделей в облаке
- 5 инструментов, которые помогут создать ваши приложения для образовательной программы LLM
- Эта научная статья вводит MVControl архитектуру нейронной сети, революционирующую управляемую генерацию многопредставлений изображений и создание 3D-контента
Но, не осознавая этого, я попал в цикл вициозных ловушек, и бессознательно продолжал повторять это в каждом проекте. Я был настолько сосредоточен и сосредоточен на:
- Какую модель машинного обучения использовать?
- Увеличение производительности с помощью стратегий оптимизации.
- Время, затраченное на анализ EDA.
- Различные методы очистки данных.
Этот список продолжается до самого конца этой статьи. И я с вами согласен, что это необходимо для создания высокопроизводительной модели.
Но если мы посмотрим на общую картину, вышеуказанные шаги в целом являются одинаковыми в каждом проекте машинного обучения. Так что, что вы думаете, какие изменения считаются важными для каждого проекта?
ДАННЫЕ ВСЕ ИЗМЕНЯЮТ !!!
Когда меняются данные – меняются стратегии очистки данных, используемые визуализационные графики для поиска инсайтов, изменяется, какую модель выбрать, и так далее.
ПЕРСПЕКТИВА ДАННЫХ
Мы предполагаем, что проведение большего времени на разработку модели может изменить производительность с низкой на высокую. Но это не так, качество данных имеет огромное значение и является определяющим фактором для точности модели.
Чтобы получить более широкое понимание, давайте рассмотрим эти сценарии
