Algorîtmayên fêrbûna makîneyê têne sêwirandin ku bi karanîna şêwaz û têkiliyên ku ji daneyên heyî fêr bûne li ser mînakên nû pêşbîniyan bikin. Di çarçoveya Cloud Computing û bi taybetî laboratîfên Google Cloud Platform (GCP), ev pêvajo ji hêla Fêrbûna Makîneya hêzdar a bi Cloud ML Engine ve tê hêsan kirin.
Ji bo ku fêm bikin ka fêrbûna makîneyê çawa li ser mînakên nû pêşbîniyan dike, girîng e ku meriv gavên bingehîn ên têkildar fam bike:
1. Berhevkirin û Amadekirina Daneyan: Pêngava yekem berhevkirina daneyên têkildar e ku pirsgirêka di dest de temsîl dike. Ev dane dikare ji çavkaniyên cihêreng, wekî databas, API, an jî naveroka ku ji hêla bikarhêner ve hatî çêkirin, were berhev kirin. Piştî ku hatin berhev kirin, pêdivî ye ku dane pêş-pêvajo kirin û paqij kirin da ku ji bo perwerdehiya modela fêrbûna makîneyê kalîte û guncaniya wê misoger bikin.
2. Derxistin û Hilbijartina Taybetmendiyê: Ji bo ku hûn pêşbîniyên rast werin çêkirin, girîng e ku ji daneyên berhevkirî taybetmendiyên herî têkildar bêne nasîn û derxistin. Van taybetmendiyan wekî ketina modela fêrbûna makîneyê tevdigerin û dikarin bandorek girîng li performansa wê bikin. Teknolojiyên bijartina taybetmendiyê, wekî kêmkirina pîvanê an endezyariya taybetmendiyê, dikare were bikar anîn da ku hêza pêşbîniya modelê zêde bike.
3. Perwerdehiya Modelê: Bi daneyên amadekirî û taybetmendiyên hilbijartî, modela fêrbûna makîneyê bi karanîna algorîtmayek maqûl tê perwerde kirin. Di dema perwerdehiyê de, model qalibên bingehîn û têkiliyên di nav daneyan de fêr dibe, pîvanên xwe yên hundurîn eyar dike da ku cûdahiya di navbera encamên pêşbînîkirî û rastîn de kêm bike. Pêvajoya perwerdehiyê xweşbîniya dubare vedigire, li cihê ku model gelek caran li ber daneyan tê xuyang kirin, hêdî hêdî kapasîteyên xwe yên pêşbîniyê baştir dike.
4. Nirxandina Modelê: Piştî perwerdeyê, pêdivî ye ku performansa modelê were nirxandin da ku rastbûn û kapasîteyên giştîkirina wê were nirxandin. Ev bi gelemperî bi dabeşkirina daneyan li komên perwerdehî û ceribandinê tête kirin, ku li wir koma ceribandinê tê bikar anîn da ku performansa modelê li ser mînakên nedîtî bipîve. Metrîkên nirxandinê yên wekî rastbûn, rastbûn, bibîranîn, an xala F1 dikare were bikar anîn da ku kalîteya pêşbîniya modelê bihejmêre.
5. Pêşbîniya li ser Nimûneyên Nû: Dema ku modela perwerdekirî qonaxa nirxandinê derbas bike, ew amade ye ku li ser mînakên nû, yên nedîtî pêşbîniyan bike. Ji bo vê yekê, model qalibên fêrbûyî û têkiliyan li ser taybetmendiyên têketina mînakên nû bi kar tîne. Parametreyên navxweyî yên modelê, yên ku di dema perwerdehiyê de hatine sererast kirin, têne bikar anîn ku li ser bingeha danûstendinên peydakirî pêşbîniyan çêbikin. Encama vê pêvajoyê encama pêşbînîkirî ye an etîketa pola ku bi her mînakek nû ve girêdayî ye.
Girîng e ku were zanîn ku rastbûna pêşbîniyên li ser mînakên nû bi giranî bi kalîteya daneyên perwerdehiyê, nûnertiya taybetmendiyan û tevliheviya qalibên bingehîn ve girêdayî ye. Wekî din, performansa modela fêrbûna makîneyê dikare bi karanîna teknolojiyên mîna fêrbûna ensembleyê, birêkûpêkkirina modelê, an bi karanîna algorîtmayên pêşkeftî bêtir çêtir bibe.
Ji bo ronîkirina vê pêvajoyê, werin em mînakek pratîkî bifikirin. Bifikirin ku em danegehek heye ku di derheqê xerîdaran de, di nav de temen, zayend û dîroka kirînê de agahdarî hene. Em dixwazin modelek fêrbûna makîneyê ava bikin ku pêşbînî dike ka xerîdar dibe ku biqelişe (ango, karanîna karûbarek rawestîne). Piştî berhevkirin û pêşdibistanê daneyan, em dikarin modelê bi karanîna algorîtmayên mîna regresyona lojîstîkî, darên biryarê, an torên neuralî perwerde bikin. Dema ku model were perwerdekirin û nirxandin, em dikarin wê bikar bînin da ku li gorî temen, zayend û dîroka kirîna wan îhtîmala qutbûna xerîdarên nû pêşbîn bikin.
Fêrbûna makîneyê bi karanîna şêwaz û têkiliyên ku ji daneyên heyî fêr bûne pêşbîniyan li ser mînakên nû dike. Ev pêvajo berhevkirin û amadekirina daneyan, derxistin û bijartina taybetmendiyê, perwerdehiya modelê, nirxandin, û di dawiyê de, pêşbîniya li ser mînakên nû pêk tîne. Bi şopandina van gavan û karanîna amûrên hêzdar ên mîna Google Cloud ML Engine, pêşbîniyên rast dikarin di doman û serlêdanên cihêreng de bêne çêkirin.
Pirs û bersivên din ên vê dawiyê di derbarê EITC/CL/GCP Google Cloud Platform:
- Ger Cloud Shell bi SDK-ya Cloud-ê re şêlekek pêş-sazkirî peyda dike û hewcedariya wê bi çavkaniyên herêmî tune, çi feydeya karanîna sazkirinek herêmî ya Cloud SDK-ê li şûna karanîna Cloud Shell bi navgîniya Cloud Console çi ye?
- Ma serîlêdanek mobîl a Android-ê heye ku dikare ji bo rêveberiya Platforma Google Cloud were bikar anîn?
- Awayên birêvebirina Platforma Cloud Google çi ne?
- Computing cloud çi ye?
- Cûdahiya di navbera Bigquery û Cloud SQL de çi ye
- Cûdahiya di navbera cloud SQL û spanner cloudê de çi ye
- GCP App Engine çi ye?
- Cûdahiya di navbera cloud run û GKE de çi ye
- Cûdahiya di navbera AutoML û Vertex AI de çi ye?
- Serlêdana konteynirkirî çi ye?
Pir pirs û bersivan li EITC/CL/GCP Google Cloud Platformê bibînin