¡No cometas el mismo error que cometí en un proyecto de aprendizaje automático!

¡Evita cometer el mismo error que yo en un proyecto de aprendizaje automático!

Descubriendo el componente crucial en un proyecto de aprendizaje automático

A menudo no lo consideramos en absoluto.

Lo aprendí de la forma más difícil en mi experiencia de pasantía.

Mi viaje comenzó cuando empecé a aprender los fundamentos del aprendizaje automático en la universidad, solía hacer muchos proyectos para tener una comprensión profunda de cómo funcionan las cosas.

Me ayudó a tener una ventaja inicial en comparación con los demás, ya que mejoró mi conocimiento para aplicar estos conceptos a aplicaciones del mundo real.

• Introducción al modelo multimodal más potente de Google, Gemini, desde una perspectiva técnica
• 5 Herramientas para ayudar a construir tus aplicaciones de LLM
• Este artículo de IA presenta MVControl una arquitectura de red neuronal que revoluciona la generación de imágenes en múltiples vistas controlables y la creación de contenido en 3D.

Pero sin darme cuenta, caí en una trampa viciosa inconscientemente, y la repetí en cada proyecto. Estaba tan centrado y enfocado en:

1. ¿Qué modelo de aprendizaje automático usar?
2. Mejorar el rendimiento utilizando estrategias de optimización.
3. Invertir tiempo en análisis de EDA.
4. Varias técnicas de limpieza de datos.

Esta lista sigue creciendo hasta el final de este artículo. Y estoy de acuerdo contigo en que estas son esenciales para construir un modelo de alto rendimiento.

Pero al observar el panorama general, los pasos anteriores son generalmente los mismos en cada proyecto de aprendizaje automático. Entonces, ¿qué crees que son los cambios importantes a considerar para cada proyecto?

¡¡¡¡¡LOS DATOS CAMBIAN TODO!!!!

Cuando los datos cambian, las estrategias para limpiar los datos cambian, los gráficos de visualización utilizados para encontrar información son diferentes, qué tipo de modelo elegir cambia, y así sucesivamente.

PERSPECTIVA DE DATOS

Hemos hipotetizado que pasar más tiempo en el desarrollo del modelo puede elevar el rendimiento de bajo a alto. Eso no es cierto, la calidad de los datos importa mucho y es el factor que cambia el juego en términos de precisión del modelo.

Para tener una comprensión amplia, veamos estos escenarios

Escenario A

We will continue to update Zepes; if you have any questions or suggestions, please contact us!