Meriv çawa 7 gavên ML-ê di çarçoveyek mînak de bicîh tîne?
Serîlêdana heft gavên fêrbûna makîneyê ji bo pêşkeftina modelên fêrbûna makîneyê nêzîkatiyek birêkûpêk peyda dike, pêvajoyek birêkûpêk ku dikare ji pênasekirina pirsgirêkê heya bicîhkirinê were şopandin peyda dike. Ev çarçove hem ji bo destpêk û hem jî ji bo bijîjkên xwedî ezmûn sûdmend e, ji ber ku ew di organîzekirina xebata xebatê de dibe alîkar û piştrast dike ku tu gavek krîtîk nayê paşguh kirin. Li vir, ez ê van gavan di çarçoveyek mînakek pratîkî de ronî bikim: pêşbînkirina bihayên xaniyan bi karanîna amûrên Fêrbûna Makîneya Google Cloud.
Gav 1: Pirsgirêk diyar bikin
Pêngava destpêkê di her projeya fêrbûna makîneyê de ev e ku hûn pirsgirêka ku hûn hewl didin çareser bikin bi zelalî diyar bikin. Ev têgihîştina pirsgirêka karsaziyê an pratîkî ya li ber dest û wergerandina wê di pirsgirêkek fêrbûna makîneyê de vedihewîne. Di mînaka me de, pirsgirêka karsaziyê pêşbînkirina bihayên xaniyan li herêmek taybetî ye ku ji ajansên nekêşbar û kirrûbirên potansiyel re di girtina biryarên agahdar de bibin alîkar. Pirsgirêka fêrbûna makîneyê dikare wekî pirsgirêkek paşvekêşana çavdêrîkirî were çarçove kirin ku mebest ew e ku meriv guhêrbarek armancek domdar, bihayê xanî, li ser bingeha taybetmendiyên cihêreng ên wekî cîh, mezinahî, hejmara nivînan, û taybetmendiyên din ên têkildar pêşbîn bike.
Gav 2: Daneyan berhev bikin û amade bikin
Komkirin û amadekirina daneyan qonaxek krîtîk e ku tê de berhevkirina daneyên têkildar ên ku dikarin ji bo perwerdekirina modelê werin bikar anîn. Di mînaka meya pêşbînkirina bihayê xanî de, dane dikarin ji navnîşên nekêşbar, tomarên giştî, an databasên xanî werin berhev kirin. Pêdivî ye ku danehev rêzek taybetmendiyên ku tê bawer kirin ku bandorê li ser bihayên xaniyan dikin, wek dîmenên çargoşe, hejmara nivîn û serşokan, rêjeyên taxê, nêzîkbûna guncan, û daneyên firotanê yên dîrokî vedihewîne.
Dema ku dane berhev kirin, pêdivî ye ku pêşdibistanê were kirin. Ev tê de paqijkirina daneyan bi hilgirtina nirxên winda, rakirina dubareyan, û rastkirina her nerazîbûnan pêk tîne. Mînakî, nirxên wenda yên di danezanê de dibe ku bi karanîna rêbazên statîstîkî an zanîna domainê bêne hesibandin. Wekî din, guhêrbarên kategorîk ên wekî navên taxan dibe ku hewce be ku bi karanîna teknîkên mîna şîfrekirina yek-germ di nav formên hejmarî de bêne kod kirin.
Gav 3: Modelek hilbijêrin
Hilbijartina modelê ji hêla celebê pirsgirêk û cewherê daneyê ve tê bandor kirin. Ji bo pirsgirêkek paşvekêşanê ya mîna pêşbîniya bihayê xanî, modelên wekî paşvekêşana xêzik, darên biryarê, an algorîtmayên tevlihevtir ên mîna daristanên bêserûber û makîneyên zêdekirina gradientê têne hesibandin. Di Fêrbûna Makîneya Google Cloud de, hûn gihîştina TensorFlow û pirtûkxaneyên din ên ku pêkanîna van modelan hêsan dikin hene.
Modelek regresyonê ya xêzek hêsan dikare wekî bingehek xizmet bike. Lêbelê, ji ber tevlihevî û ne-xêzikî ku bi gelemperî di daneyên cîhana rastîn de têne peyda kirin, dibe ku modelên sofîstîketir ên mîna XGBoost an DNNRegressor-a TensorFlow maqûltir bin. Hilbijartina modelê divê ji hêla performansa li ser daneyên erêkirinê û jêhatîbûna baş giştîkirina daneyên nedîtî ve were rêve kirin.
Gav 4: Modelê perwerde bikin
Perwerdehiya modelê vedihewîne ku daneyên amadekirî di nav algorîtmaya bijartî de vedigire da ku şêwazên bingehîn fêr bibe. Vê gavê pêdivî ye ku daneyan li komên perwerdehî û pejirandinê veqetînin, ku dihêle ku model ji yek binkeyek fêr bibe û li ser yeka din were nirxandin. Di Google Cloud de, ev dikare bi karanîna karûbarên mîna Google Cloud AI Platformê, ku ji bo perwerdehiya modelê çavkaniyên berbiçav peyda dike, bi bandor were rêvebirin.
Di dema perwerdehiyê de, dibe ku pêdivî ye ku hîperparametrên modelê werin guheztin da ku performansê xweş bikin. Mînakî, di modelek dara biryarê de, pîvanên wekî kûrahiya darê û hejmara hindiktirîn nimûneyên ku ji bo dabeşkirina girêkek hewce ne dikarin bi girîngî bandorê li rastbûn û şiyana giştîkirina modelê bikin. Teknîkên mîna lêgerîna torê an lêgerîna rasthatî dikare were bikar anîn da ku mîhengên hîperparametra çêtirîn bibînin.
Gav 5: Modelê binirxînin
Nirxandin ji bo nirxandina performansa modela perwerdekirî gavek girîng e. Ev bi karanîna metrîkên li gorî celebê pirsgirêkê ve girêdayî ye. Ji bo pirsgirêkên regresyonê, metrîkên hevpar di nav de Çewtiya Bêkêmasî (MAE), Çewtiya Mean Çargoşe (MSE), û Çewtiya Mean Çargoşe Root (RMSE) hene. Van metrîkan li ser rastbûna modelê û asta xeletiyên di pêşbîniyan de têgihiştinê peyda dikin.
Di mînaka pêşbîniya bihayê xaniyê me de, piştî perwerdekirina modelê, ew ê li ser sazûmanek pejirandinê were nirxandin da ku pê ewle bibe ku ew li ser daneyên nedîtî baş tevdigere. Platforma AI-ya Google Cloud ji bo şopandina van metrîkan û dîtbarkirina performansa modelê amûran peyda dike, ku ji têgihîştina ku dibe ku model di senaryoyên cîhana rastîn de çiqasî baş pêk bîne alîkar dike.
Gav 6: Modelê aheng bikin
Rêzkirina modelê pêvajoyek dubare ye ku armanc jê baştirkirina performansa modelê ye. Dibe ku ev gav bi sererastkirina hîperparametran, ceribandina algorîtmayên cihêreng, an guheztina koma taybetmendiyê ve girêdayî be. Mînakî, heke modela destpêkê bi têrkerî pêk neyê, dibe ku endezyariya taybetmendiyê ji nû ve were mêze kirin da ku şertên danûstendinê an taybetmendiyên polînomî yên ku têkiliyên ne-xêzik digirin vehewîne.
Di Google Cloud de, birêkûpêkkirina hîperparameterê dikare bi karanîna taybetmendiya Hyperparameter Tuning ya Platforma Cloud AI-ê were otomatîk kirin, ku bi bandor li cîhê hîperparameterê digere da ku ji bo modelê berhevoka çêtirîn bibîne. Ev dikare bêyî destwerdana desta performansa modelê bi girîngî zêde bike.
Gav 7: Modelê bicîh bikin
Dabeşkirin modela perwerdekirî ji bo karanîna di sepanên cîhana rastîn de peyda dike. Vê gavê sazkirina hawîrdorek ku model dikare daneyên têketinê werbigire, pêşbîniyan bike û encaman vegerîne bikarhêner an pergalan pêk tîne. Google Cloud gelek vebijarkên bicîhkirinê pêşkêşî dike, di nav de Pêşbîniya Platforma AI-ê, ku dihêle ku model wekî API-yên RESTful werin bicîh kirin.
Di mînaka pêşbînkirina bihayê xanî de, modela hatî bicîh kirin dikare di serîlêdanek nekêşbar de were yek kirin ku bikarhêner taybetmendiyên xaniyan destnîşan dikin û pêşbîniyên bihayê werdigirin. Bicîhkirin di heman demê de çavdêriya performansa modelê ya di hilberînê de jî heye da ku pê ewle bibe ku ew pêşbîniyên rast peyda dike û dema ku daneyên nû peyda dibin nûvekirina modelê wekî ku hewce be.
Mînak Context
Pargîdaniyek nekêşbar bifikirin ku armanc dike ku pêvajoya nirxa milkê xwe bi karanîna fêrbûna makîneyê zêde bike. Bi şopandina heft gavên ku hatine destnîşan kirin, pargîdanî dikare bi rêkûpêk modelek fêrbûna makîneyê ya bihêz pêş bixe da ku bihayên xaniyan texmîn bike. Di destpêkê de, ew pirsgirêkê bi destnîşankirina hewcedariya nirxên rastîn ên xanî diyar dikin. Dûv re ew daneyan ji gelek çavkaniyan berhev dikin, di nav de tomarên firotanê yên dîrokî û navnîşên milkan, danûstendinek berfireh a ku meylên bazarê nîşan dide piştrast dikin.
Piştî pêşdibistanên daneyê ji bo birêvebirina nirxên wenda û şîfrekirina guhêrbarên kategorîk, pargîdanî ji ber kapasîteya wê ya birêvebirina têkilî û danûstendinên tevlihev di navbera taybetmendiyan de modelek bihêzkirina gradient hildibijêre. Ew modelê bi karanîna Platforma AI-ya Google Cloud-ê perwerde dikin, binesaziya wê ya berbelav bi kar tînin da ku daneyên mezin bi bandor bi dest bixe.
Model bi karanîna RMSE-ê tête nirxandin, qadên ji bo çêtirbûnê eşkere dike. Bi pêkanîna ahenga hîperparametre û ceribandina taybetmendiyên din ên ku ji zanîna domainê têne peyda kirin, pargîdanî rastbûna pêşbîniya modelê zêde dike. Di dawiyê de, model wekî API-ê tête bicîh kirin, ku destûrê dide entegrasyonê di pergalên heyî yên pargîdanî de, ku ew texmînên bihayê rast-dem ji bikarhêneran re peyda dike, bi vî rengî pêvajoyên biryargirtinê û razîbûna xerîdar çêtir dike.
Pirs û bersivên din ên vê dawiyê di derbarê EITC/AI/GCML Fêrbûna Makîna Ewr a Google:
- Riya herî hêsan ji bo perwerdehiya modela AI ya dîdaktîk a bingehîn û bicihkirina wê li ser Platforma AI ya Google-ê bi karanîna astek/ceribandinek belaş û bi karanîna konsolek GUI-ê bi rengek gav-bi-gav ji bo destpêkek mutleq bêyî paşxaneya bernamenûsiyê çi ye?
- Meriv çawa bi rêya navrûya GUI ya konsolê GCP di dersa gav-bi-gav de modelek AI ya hêsan di Platforma Google Cloud AI de bi pratîkî perwerde dike û bicîh dike?
- Prosedûra herî hêsan û gav-bi-gav ji bo pratîkkirina perwerdehiya modela AI ya belavkirî di Google Cloud de çi ye?
- Modela yekem çi ye ku mirov dikare li ser bixebite û ji bo destpêkê çend pêşniyarên pratîkî hebin?
- Ma algorîtma û pêşbînî li ser bingeha têketinên ji aliyê mirovan ve ne?
- Pêdiviyên sereke û rêbazên herî hêsan ji bo afirandina modelek pêvajoya zimanê xwezayî çi ne? Meriv çawa dikare bi karanîna amûrên berdest modelek wusa biafirîne?
- Gelo bikaranîna van amûran abonetiyeke mehane an salane hewce dike, an jî hejmareke diyarkirî ya belaş heye?
- Di çarçoveya parametreyên modela perwerdeyê de serdem çi ye?
- Modelek fêrbûna makîneyê ya ku berê hatiye perwerdekirin çawa qada nû ya daneyan li ber çavan digire?
- Meriv çawa dikare di modelên fêrbûna makîneyê de alîgirî û cudakariyê sînordar bike?
Pirs û bersivan bêtir li EITC/AI/GCML Fêrbûna Makîneya Cloud Google-ê bibînin