在踏入ML领域的第一步
,也是最核心的关键,就是决定命题。
那麽会想解决什麽样的问题呢?
若要在工作上落地应用,想必是与业务相关的问题,也因此本身题目的决定就是很困难的事情。
每个公司的商业模式不同,业务流程和想解决的问题通常也是专属课题,想得到可用的参考资料并不容易,只能自己的团队做决定。
然而根据我们的踩坑经验,在这之前,先了解ML的使用范畴,在ML能够应用的范围内决定题目,才是正确的做法。
再重复前一篇所提,ML是为了得到一个模型,能够计算丢进来的资料,产出答案,因此解决问题。
很重要的前置概念:
简单和有绝对的因果关系的问题不行,做ML并不是为了解决这种事情而用。
举例:想知道贩售产品的毛利率。
这个问题其实可以透过统计已知的生产成本和营业成本得到答案,成本的计算方式是肯定的而且明确可知,有明确的计算方式,并非是ML的应用用途,一板一眼的计算方式完全不需要经过训练。
上述的计算,可以说是一个函式或者模型,但要知道的是ML是得到模型的一种『方法』,因为有些模型/函式/公式太难透过人脑推理或计算得出,因此藉由ML这种『方法』获得。
换句话说,如果本身可以知道模型内容,就用不上ML对吧。
模型可以解决问题。
但怎麽得出模型,不一定要用到ML,可以是自已写的程序或公式。
所以回过头来的结论。
在ML领域想解决什麽问题,其实是:
想用模型计算/解决什麽问题 + 这个模型的产生方式不是人脑可以简单给出公式解决
<<: Day 11 : 用於生产的机械学习 - Data Labeling 资料标注
>>: Day 10:「伸缩自如的,橡胶...」- 断点 / RWD
在前一篇提到,可以利用 epublib 将网页内容储存成 epub 档案,便於事後用其他的阅读软件中...
最近几天在网站上看了有管git的资料, 发现了 "连猴子都能懂的Git指南" 就...
目的 传入参数後,藉由 switch-case 来建立一系列拥有相同亲代的物件 说明 作为入门 De...
本篇的主角是Toast, 但这边的Toast并非吐司的意思, 而是显示讯息, 常用於提示或警示使用者...
此系列文章会同步发文到个人部落格,有兴趣的读者可以前往观看喔。 在执行测试脚本时,如测试脚本失败时...