Резюме
Создание системы машинного обучения — непростой процесс. Есть множество тонкостей, которые важно понять, чтобы получить полезные результаты прогнозирования. Поэтому пользуйтесь преимуществами имеющихся библиотек: они помогут с конструированием свойств, перекрестной проверкой и оценкой модели. Многие из них умеют делать почти все, что мы видели в этой главе.
При использовании таких библиотек преобразования данных и этапы перекрестной проверки занимают всего несколько строк кода. Программисты любят приложения для совместного использования кода по типу блокнотов. Блокноты кода содержат текст, код и графики в одном файле, и их можно легко просматривать, повторно выполнять и экспериментировать с ними.
Принцип воспроизводимости, который подробно обсуждался в предыдущей главе, также применим и к МО. Убедитесь, что все преобразования ваших данных воспроизводимы и структурированы в виде конвейера, который легко изменить. То же самое относится и к процессам тонкой настройки модели и ее гиперпараметров.
Имейте в виду, что эта глава была лишь введением в практику МО. За бортом осталось множество приемов. Например, есть методы объединения результатов прогнозирования различных моделей в так называемый ансамбль, который часто превосходит любую отдельную модель.
МО идет вперед семимильными шагами. Каждый год публикуются все новые методы конструирования свойств и выбора моделей. Крупные технологические компании в настоящее время предлагают услуги облачных вычислений с автоматизированными платформами для создания моделей прогнозирования. Используя идеи, представленные в этой главе, вы сможете наилучшим образом использовать эти ресурсы… и осмысливать революцию в области искусственного интеллекта по мере ее развития
