Рабочий процесс машинного обучения
Главная идея: проект машинного обучения (machine learning, ML) — это не одна волшебная кнопка, которую нужно нажать. Это цикл из понятных этапов, которые вы проходите по порядку — и зачастую проходите снова и снова — чтобы превратить вопрос из реальной жизни в работающую, полезную систему прогнозирования.
В этом самом первом уроке мы смотрим на весь этот цикл сверху, как на карту перед началом путешествия. Каждый следующий урок курса подробно рассматривает одну часть этой карты. Как только вы по-настоящему поймёте форму всего пути, всё дальнейшее будет ощущаться как заполнение деталей, которые вы уже предвидели. Мы также познакомимся с примером проекта, который будем использовать на протяжении всего курса: прогнозирование цен на квартиры в Бишкеке.
Чему вы научитесь
- Каковы семь этапов проекта машинного обучения и в каком порядке они идут.
- Для каждого этапа: что подаётся на вход, что получается на выходе и что чаще всего идёт не так.
- Как посмотреть на задачу из реальной жизни и решить, является ли она регрессией (regression, прогноз числа), классификацией (classification, прогноз категории) или чем-то ещё.
- Когда машинное обучение — неподходящий инструмент, и простой набор правил лучше.
- Кто и чем занимается в команде: специалист по данным (data scientist), ML-инженер (ML engineer) и аналитик данных (data analyst).
- Наш сквозной пример курса: прогнозирование цен на квартиры в Бишкеке.
Зачем вообще нужен рабочий процесс
Когда люди впервые слышат о машинном обучении, они обычно представляют себе только средний шаг: «компьютер учится на данных». Это действительно так, но это лишь крошечная часть настоящей работы. На практике специалисты тратят бо́льшую часть времени вокруг этого шага — решая, какую задачу решать, разыскивая данные, очищая беспорядочные данные, проверяя, хорош ли результат, и поддерживая работоспособность системы после её запуска.