iT邦幫忙

第 11 屆 iThome 鐵人賽

DAY 5
0
Google Developers Machine Learning

初心者的GDC攻略系列 第 5

Day5: 經驗 x 道路 x 深究

  • 分享至 

  • xImage
  •  

本篇章先註記一下,前後呼應。以下所引用的所有圖檔皆來自Google/GCP。

現實總是殘酷的

呼應Day4當中所提到的,究竟學習一個東西該採用哪種策略呢?

  1. 很認真學一次,我過目不忘為現代白居易
  2. 失敗為成功之母,我失敗的多所以我成功機會更大
    https://ithelp.ithome.com.tw/upload/images/20190921/2012015176QjHS1PFJ.png

社會上對於ML大力鼓吹,希望能看到ML(圖中Optimizing ML algorithm)比例大些無可厚非;但實際上執行,就會發現得了一種ML恐慌症。
真相就是,這個世界對於完全創新這回事並沒有這麼大的需求;有太多的情境是可以互相類比的。
舉例來說,對於影像辨識,假設現在已經有得出正確性相當高的狗辨識器模型(Dog-Classifier)。
如果你想要辨識貓,該做的事情是去重新建立模型抑或是花更多的時間收集貓的照片而模型採用轉移學習(Transfer Learning)?
這始終是我們該思考的問題,沒有定見;但以目前來說,後者也許可以更快有成效。

機器學習之路 (Path to ML)

https://ithelp.ithome.com.tw/upload/images/20190921/201201510cTK45mAAl.png
這是本節(對應Coursera Module3)第二章圖,完全說明了實際執行一個ML專案的流程,非常值得收藏以供未來使用。
分成三大塊:

單兵作戰實驗區

  1. 單人貢獻思考
  2. 多人討論+開始分工
  3. 把問題拆解並實體化

大數據平台應用區

  1. 大數據分析

模型建立區

  1. 機器學習 (ML)

(回饋區)

  • 利用建立好的模型對於未見過的測試資料預測得到的結果 + 新收集到的數據重新進行上面的三大步驟(五小步驟),已確定模型的好壞(實用性及穩定性)

每個環節都有其重要性,如人飲水,冷暖自知。


上一篇
Day4: 理解 x 分解 x 再構築
下一篇
Day6: 取樣 x 評估 x 偏差
系列文
初心者的GDC攻略30
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言