공감생활

효과적인 ML 가이드라인 최초 모델은 단순하게 유지 데이터 파이프라인 정확성 확보에 중점 학습 및 평가를 위해 간단하고 관찰 가능한 측정항목 사용 입력 특성을 관리하고 모니터링 모델 구성을 코드로 취급하여 검토하고 체크인 모든 실험 결과(특히 '실패한 결과')를 기록

정적 학습과 동적 학습 비교 개략적으로 모델을 학습시키는 방법에는 다음 두 가지가 있습니다. 정적 모델은 오프라인으로 학습됩니다. 즉, 모델을 한 번만 학습시키고 해당 모델을 일정 기간 사용합니다. 동적 모델은 온라인으로 학습됩니다. 즉, 데이터가 시스템에 계속 유입되며 지속적인 업데이트를 통해 해당 데이터를 모델에 통합합니다. ML 시스템 패러다임: 학습 정적 모델 -- 오프라인으로 학습 손쉬운 빌드 및 테스트 -- batch 학습 및 테스트, 만족스러울 때까지 반복 여전히 입력 모니터링 필요 노후화되기 쉬움 동적 모델 -- 온라인으로 학습 지속적으로 학습 데이터 공급, 정기적으로 업데이트된 버전 동기화 batch 학습 및 테스트가 아닌 점진적 검증 사용 모니터링, 모델 롤백 및 데이터 격리 기능 필요..

학습 및 테스트 세트 테스트 세트는 학습 세트로부터 개발한 모델을 평가하는 데 사용되는 데이터 세트입니다. 데이터 세트 분할 학습 평가와 테스트 평가 데이터 세트가 하나뿐이라면 어떻게 하나요? 다음과 같이 두 세트로 분할합니다. 학습 세트 테스트 세트 기억해야 할 유의사항: 테스트 데이터로 학습하지 않기 손실이 이상할 정도로 적은가요? 기뻐하기는 이릅니다. 실수로 테스트 데이터로 학습하진 않았는지 확인해 보세요. 학습 및 평가 세트: 데이터 분할 이전 모듈에서는 데이터 세트를 다음과 같이 두 부분으로 나눈다는 개념을 소개했습니다. 학습 세트 - 모델을 학습시키기 위한 데이터 세트의 일부분 평가 세트 - 모델을 테스트하기 위한 데이터 세트의 일부분 데이터 세트 하나를 다음과 같이 분할하는 방법을 생각해 볼..

프레이밍 이 모듈에서는 작업을 머신러닝 문제로 프레이밍 하는 방법을 살펴보고 광범위한 머신러닝(ML) 방법에서 공통으로 사용되는 기본적인 용어를 설명합니다. (지도) 머신러닝이란 무엇인가요? ML 시스템은 입력을 결합하여 이전에 본 적이 없는 데이터를 적절히 예측하는 방법을 학습합니다. 지도 머신러닝에서는 입력을 결합하여 모델을 만들고 이전에 보지 못한 데이터도 적절히 예측하는 방법을 배움 용어: 라벨 및 특성 라벨은 예측하는 실제 항목(y)입니다. 기본 선형 회귀의 y 변수입니다. 특성은 데이터를 설명하는 입력 변수(xi)입니다. 기본 선형 회귀의 {x1, x2, ... xn} 변수입니다. 용어: 예 및 모델 예는 데이터(x)의 특정 인스턴스입니다. 라벨이 있는 예에는 {특성, 라벨}(x, y)이 포함..