Machine learning là một trong những kỹ năng hữu ích nhất trong khoa học dữ liệu. Với machine learning, các chuyên gia dữ liệu có thể dự đoán trên các tập dữ liệu quan trọng, tự động hóa quy trình làm việc và khai thác insight. Quy trình làm việc của machine learning trông ra sao? Đồ họa thông tin này trình bày một góc nhìn đơn giản hóa về quy trình làm việc của machine learning.
Tải đồ họa thông tin này bằng cách nhấp vào hình ảnh
Thiết lập dự án
Hiểu mục tiêu kinh doanh
Trao đổi với các bên liên quan và thấu hiểu sâu mục tiêu kinh doanh đằng sau mô hình được đề xuất. Hiểu rõ mục tiêu kinh doanh sẽ giúp bạn xác định phạm vi giải pháp kỹ thuật cần thiết, nguồn dữ liệu cần thu thập, cách đánh giá hiệu suất mô hình, và nhiều yếu tố khác.
Chọn giải pháp cho vấn đề của bạn
Khi đã hiểu sâu về vấn đề—hãy tập trung vào nhóm mô hình có thể tạo tác động lớn nhất. Xem Machine Learning Cheat Sheet này để biết thêm thông tin.
Chuẩn bị dữ liệu
Thu thập dữ liệu
Thu thập tất cả dữ liệu bạn cần cho các mô hình, dù từ tổ chức của bạn hay từ nguồn công khai hoặc trả phí.
Làm sạch dữ liệu
Biến dữ liệu thô lộn xộn thành dữ liệu sạch, gọn gàng, sẵn sàng cho phân tích. Xem checklist làm sạch dữ liệu này để nắm những điểm căn bản về làm sạch dữ liệu.
Kỹ thuật đặc trưng
Biến đổi các tập dữ liệu để tạo ra các biến (đặc trưng) giúp cải thiện độ chính xác dự đoán của mô hình. Tạo cùng các đặc trưng đó trong cả tập huấn luyện và tập kiểm tra.
Chia tách dữ liệu
Chia ngẫu nhiên các bản ghi trong tập dữ liệu thành tập huấn luyện và tập kiểm tra. Để đánh giá hiệu suất mô hình đáng tin cậy hơn, hãy tạo nhiều tập huấn luyện và kiểm tra bằng phương pháp cross validation
Modeling
Tinh chỉnh siêu tham số
Đối với mỗi mô hình, sử dụng các kỹ thuật tinh chỉnh siêu tham số để cải thiện hiệu suất.
Huấn luyện mô hình
Fit mỗi mô hình với tập huấn luyện.
Tạo dự đoán
Thực hiện dự đoán trên tập kiểm tra.
Đánh giá hiệu suất mô hình
Với mỗi mô hình, tính các chỉ số hiệu suất trên tập kiểm tra như accuracy, recall và precision.
Triển khai
Triển khai mô hình
Tích hợp mô hình bạn đã chọn vào dashboard, ứng dụng hoặc bất cứ nơi nào bạn cần.
Giám sát hiệu suất mô hình
Thường xuyên kiểm tra hiệu suất của mô hình khi dữ liệu thay đổi để tránh hiện tượng drift của mô hình
Cải thiện mô hình
Liên tục lặp lại và cải thiện mô hình sau khi triển khai. Thay thế mô hình bằng phiên bản cập nhật để nâng cao hiệu suất.
