Sammanfattning
Vi har gått igenom några viktiga nya jargonger i den här modulen. Nu ska vi sammanfatta vad vi har lärt oss:
Målet med maskininlärning är att hitta mönster i data och använda dessa mönster för att göra uppskattningar.
Maskininlärning skiljer sig från normal programvaruutveckling eftersom vi använder särskild kod, snarare än vår egen intuition, för att förbättra hur bra programvaran fungerar.
Inlärningsprocessen använder konceptuellt fyra komponenter:
- Data, vilket är information som vi vill lära oss av.
- En modell som gör uppskattningar av data.
- Ett mål som modellen försöker uppnå.
- En optimerare, extra kod som ändrar modellen beroende på dess prestanda.
Du kan se data som funktioner och etiketter. Funktioner motsvarar potentiella modellindata, medan etiketter motsvarar modellutdata eller önskade modellutdata.
Pandas och Plotly är kraftfulla verktyg för att utforska datauppsättningar i Python.
När vi har en tränad modell kan vi spara den på disken för senare användning.