Praktische Erkenntnisse für einen datengesteuerten Ansatz zur Modelloptimierung
Es heißt, dass für den Erfolg eines maschinellen Lernmodells gute Daten erforderlich sind. Obwohl dies wahr (und ziemlich offensichtlich) ist, ist es äußerst schwierig, gute Daten zu definieren, aufzubauen und aufrechtzuerhalten. Lassen Sie mich die einzigartigen Prozesse mit Ihnen teilen, die ich über mehrere Jahre beim Aufbau eines ständig wachsenden Bildklassifizierungssystems gelernt habe, und wie Sie diese Techniken auf Ihre eigene Anwendung anwenden können.
Mit Beharrlichkeit und Sorgfalt können Sie das klassische „Müll rein, Müll raus“ vermeiden, die Genauigkeit Ihres Modells maximieren und einen echten Geschäftswert nachweisen.
In dieser Artikelserie werde ich mich mit der Pflege und Versorgung einer Bildklassifizierungs-App mit mehreren Klassen und nur einem Label befassen und was erforderlich ist, um das höchste Leistungsniveau zu erreichen. Ich werde nicht auf die Codierung oder bestimmte Benutzeroberflächen eingehen, sondern nur auf die Hauptkonzepte, die Sie mit den Ihnen zur Verfügung stehenden Instruments entsprechend Ihren Anforderungen integrieren können.
Hier finden Sie eine kurze Beschreibung der Artikel. Sie werden feststellen, dass das Modell an letzter Stelle auf der Liste steht, da wir uns in erster Linie auf die Kuratierung der Daten konzentrieren müssen:
- Teil 1 – Die Daten – Kennzeichnungsstandards, Klassen und Unterklassen