Makine Öğrenimi İş Akışına Yeni Başlayanlar İçin Rehber

Makine öğrenimi, veri biliminin en faydalı becerilerinden biridir. Makine öğrenimi sayesinde veri uzmanları kilit veri kümeleri hakkında tahminler yapabilir, iş akışlarını otomatikleştirebilir ve içgörüler çıkarabilir. Peki makine öğrenimi iş akışı nasıl görünür? Bu bilgi grafiği, makine öğrenimi iş akışının basitleştirilmiş bir görünümünü sunar. 

Görsele tıklayarak bu bilgi grafiğini indirin

Proje Kurulumu

İş hedeflerini anlayın

Paydaşlarınızla görüşün ve önerilen modelin arkasındaki iş hedefini derinlemesine anlayın. İş hedeflerinizi derinlemesine anlamanız, gerekli teknik çözümün kapsamını belirlemenize, toplanacak veri kaynaklarını seçmenize, model performansını nasıl değerlendireceğinize ve daha fazlasına yardımcı olacaktır.

Sorununuz için çözümü seçin

Sorununuzu derinlemesine anladıktan sonra, en yüksek etkiyi sağlayan model kategorisine odaklanın. Daha fazla bilgi için şu Makine Öğrenimi İpuçları Sayfasına bakın. 

Veri hazırlama

Veri toplama

Modelleriniz için ihtiyaç duyduğunuz tüm verileri kendi kuruluşunuzdan, kamuya açık ya da ücretli kaynaklardan toplayın.

Veri temizleme

Dağınık ham veriyi analize hazır, temiz ve düzenli veriye dönüştürün. Veri temizliğine giriş için bu veri temizleme kontrol listesini inceleyin. 

Özellik mühendisliği

Veri kümelerini, modelinizin tahmin doğruluğunu artıran değişkenler (özellikler) oluşturacak şekilde dönüştürün. Aynı özellikleri hem eğitim kümesinde hem de test kümesinde oluşturun.

Veriyi bölün

Veri kümesindeki kayıtları rastgele şekilde bir eğitim kümesi ve bir test kümesine ayırın. Model performansının daha güvenilir değerlendirmesi için çapraz doğrulama kullanarak birden çok eğitim ve test kümesi oluşturun

Modelleme

Hiperparametre ayarlama

Her model için, model performansını artırmak amacıyla hiperparametre ayarlama tekniklerini kullanın.

Modellerinizi eğitin

Her modeli eğitim kümesine uydurun.

Tahmin yapın

Test kümesi üzerinde tahminlerde bulunun.

Model performansını değerlendirin

Her model için, doğruluk, geri çağırma ve kesinlik gibi performans ölçütlerini test kümesi üzerinde hesaplayın.

Canlıya alma

Modeli canlıya alın

Seçtiğiniz modeli panolara, uygulamalara veya ihtiyaç duyduğunuz diğer yerlere gömün.

Model performansını izleyin

Model kaymasını önlemek için verileriniz değiştikçe modelinizin performansını düzenli olarak test edin

Modelinizi geliştirin

Dağıtım sonrasında modelinizi sürekli yineleyin ve iyileştirin. Performansı artırmak için modelinizi güncellenmiş bir sürümle değiştirin.