Python'da Machine Learning İş Akışları Tasarlama

Önceki bölümde, standart denetimli öğrenme iş akışları konusundaki bilgini pekiştirdin. Bu bölümde, uzman bilgisinin denetimli öğrenmeye hangi yollarla dahil edildiğini eleştirel biçimde inceleyeceksin. Bu; birden fazla veri kaynağı arasında özellik mühendisliği gerektirebilecek uygun analiz biriminin belirlenmesiyle, örneklerin bazen kusurlu etiketlenme süreciyle ve Machine Learning modelinin yaptığı hataların gerçek iş değerini yakalayan bir kayıp fonksiyonunun tanımlanmasıyla yapılır.

Önceki bölümde, iş akışına uzmanlardan gelen geri bildirimi dahil etmenin farklı yollarını kullandın ve bunu iş değeriyle uyumlu biçimde değerlendirdin. Şimdi, modelini ürünleştirmek ve onu yinelemeli olarak geliştirerek sonrasında da iyi performans göstermesini sağlamak için gereken becerileri uygulama zamanı. Ayrıca, veri kümesi kaymasını (dataset shift) teşhis etmeyi ve değişen bir ortamın model doğruluğun üzerinde yaratabileceği etkiyi azaltmayı öğreneceksin.

Önceki bölümlerde, üretime model alma bilgisi de dahil olmak üzere denetimli öğrenmede sağlam bir temel attın; ancak analiz için her zaman etiketli bir veri kümesinin mevcut olduğunu varsaydın. Bu bölümde, hiç ya da çok az etiketle veriyi modelleme meydan okumasını üstleneceksin. Bu yolculuk seni, bir tür denetimsiz modelleme olan anomali tespitine ve iki örnek arasındaki benzerliğin ne olduğuna dair inançların etiketlerin yerine kullanılabildiği, denetimli bir iş akışına yakın doğruluk seviyelerine ulaşmana yardım eden mesafe tabanlı öğrenmeye götürecek. Bu bölümü tamamladığında, gerçek dünyadaki yaygın zorlukları aşmak için iş akışını nasıl değiştireceğini kendinden emin bir şekilde bilerek veri bilimcileri arasında net biçimde öne çıkacaksın.