Non commettere lo stesso errore che ho fatto in un progetto di apprendimento automatico!
Evita di commettere lo stesso errore che ho fatto in un progetto di apprendimento automatico!
Realizzato il componente cruciale in un progetto di apprendimento automatico
Spesso più che altro non lo consideriamo affatto.
L’ho imparato a mie spese durante la mia esperienza di stage.
Il mio viaggio è iniziato quando ho iniziato a studiare le basi dell’apprendimento automatico all’università, facevo molti progetti per ottenere una comprensione approfondita di come funzionano le cose.
Questo mi ha aiutato ad avere un vantaggio rispetto agli altri, poiché ha arricchito la mia conoscenza per applicare questi concetti ad applicazioni reali.
- Introduzione a Gemini, il modello multimodale più potente di Google, da una prospettiva tecnica
- Questa newsletter di intelligenza artificiale è tutto ciò di cui hai bisogno #77
- Evoluzione in ETL Come saltare la trasformazione migliora la gestione dei dati
Ma senza rendermene conto, sono caduto in un ciclo di trappole viziose tale che inconsciamente, continuavo a ripeterlo in ogni progetto. Ero così concentrato su:
- Quale modello di apprendimento automatico utilizzare?
- Aumentare le prestazioni utilizzando strategie di ottimizzazione.
- Investire tempo nell’analisi EDA.
- Varie tecniche di pulizia dei dati.
Questa lista continua fino alla fine di questo articolo. E concordo con te sul fatto che queste siano essenziali per la creazione di un modello ad alte prestazioni.
Ma guardando l’immagine più ampia, i passaggi precedenti sono generalmente gli stessi in ogni progetto di apprendimento automatico. Quindi, cosa pensi che cambi sia considerato importante per ogni progetto?
DATA CAMBIA TUTTO !!!
Quando i dati cambiano, le strategie per pulire i dati cambiano, i grafici di visualizzazione utilizzati per trovare insights sono diversi, cambia il tipo di modello da scegliere, e così via.
PROSPETTIVA DEI DATI
Ipotizziamo che dedicare più tempo allo sviluppo del modello possa invertere le prestazioni da basse ad alte. Questo non è vero, la qualità dei dati conta molto ed è il fattore determinante in termini di accuratezza del modello.
Per avere una comprensione più ampia, guardiamo queste situazioni
