머신러닝 기초

구체적인 예측이나 의사결정 지원 작업으로 시작하세요. 숫자를 예측하는 것은 회귀입니다. 카테고리를 지정하는 것이 분류입니다. 레이블이 지정되지 않은 예제를 그룹화하는 것은 클러스터링입니다. 새로운 텍스트나 이미지를 생성하는 것은 목표와 평가 방법이 다릅니다. 출력을 정의하기 전에 세련된 아키텍처를 선택하지 마십시오. 실제 워크플로에는 데이터 수집, 준비, 모델 피팅, 평가, 배포 및 모니터링이 포함됩니다. 오류는 어느 단계에서나 발생할 수 있습니다. 프로덕션 서비스가 단위를 변경하거나 두 개의 입력 열을 교환하면 올바른 형식의 레코드로 학습된 모델이 실패할 수 있습니다. 복잡한 모델을 피팅하기 전에 기준선을 설정하세요. 예측을 위해서는 이전 값이 유용한 기준이 될 수 있습니다. 분류를 위해 가장 일반적인 클래스는 최소한의 비교를 제공합니다. 기준선은 추가적인 복잡성이 유용한 정보를 제공하는지 여부를 드러냅니다. 학습 예제를 사용하여 매개변수에 맞추고 별도의 예제를 사용하여 성능을 평가합니다. 반복되는 튜닝에서 최종 테스트 세트를 유지하십시오. 실수의 결과를 반영하는 측정항목을 선택하고 실제 실패한 사례를 검사합니다. 평균적으로 잘 작동하는 시스템이라도 드물지만 필수적인 경우에는 여전히 사용하지 못할 수 있습니다.