Оптимизируйте свои подборки Сохраняйте и классифицируйте контент в соответствии со своими настройками.
Введение
Этот модуль начинается с наводящего вопроса. Выберите один из следующих ответов:
Если бы вам пришлось уделить приоритетное внимание улучшению одной из следующих областей вашего проекта по машинному обучению, какая из них оказала бы наибольшее влияние?
Улучшение качества вашего набора данных
Данные превосходят все. Качество и размер набора данных имеют гораздо большее значение, чем какой блестящий алгоритм вы используете для построения своей модели.
Применение более умной функции потерь для обучения вашей модели
Да, лучшая функция потерь может помочь модели обучаться быстрее, но она все равно уступает другому элементу в этом списке.
И вот еще более наводящий вопрос:
Угадайте: сколько времени вы обычно тратите в своем проекте машинного обучения на подготовку и преобразование данных?
Более половины времени проекта
Да, специалисты по машинному обучению тратят большую часть своего времени на создание наборов данных и разработку функций.
Менее половины времени проекта
Планируйте больше! Обычно 80% времени в проекте машинного обучения тратится на создание наборов данных и преобразование данных.
В этом модуле вы узнаете больше о характеристиках наборов данных машинного обучения и о том, как подготовить данные, чтобы обеспечить высококачественные результаты при обучении и оценке вашей модели.
[null,null,["Последнее обновление: 2025-07-29 UTC."],[[["\u003cp\u003eThis module emphasizes the critical role of data quality in machine learning projects, highlighting that it significantly impacts model performance more than algorithm choice.\u003c/p\u003e\n"],["\u003cp\u003eMachine learning practitioners typically dedicate a substantial portion of their project time (around 80%) to data preparation and transformation, including tasks like dataset construction and feature engineering.\u003c/p\u003e\n"],["\u003cp\u003eThe module covers key concepts in data preparation, such as identifying data characteristics, handling unreliable data, understanding data labels, and splitting datasets for training and evaluation.\u003c/p\u003e\n"],["\u003cp\u003eLearners will gain insights into techniques for improving data quality, mitigating issues like overfitting, and interpreting loss curves to assess model performance.\u003c/p\u003e\n"],["\u003cp\u003eThis module builds upon foundational machine learning concepts, assuming familiarity with topics like linear regression, numerical and categorical data handling, and basic machine learning principles.\u003c/p\u003e\n"]]],[],null,["| **Estimated module length:** 105 minutes\n| **Learning objectives**\n|\n| - Identify four different characteristics of data and datasets.\n| - Identify at least four different causes of data unreliability.\n| - Determine when to discard missing data and when to impute it.\n| - Differentiate between direct and derived labels.\n| - Identify two different ways to improve the quality of human-rated labels.\n| - Explain why to subdivide a dataset into a training set, validation set, and test set; identify a potential problem in data splits.\n| - Explain overfitting and identify three possible causes for it.\n| - Explain the concept of regularization. In particular, explain the following:\n| - Bias versus variance (adaptation to outliers...)\n| - L~2~ regularization, including Lambda (regularization rate)\n| - Early stopping\n| - Interpret different kinds of loss curves; detect convergence and overfitting in loss curves.\n| **Prerequisites:**\n|\n| This module assumes you are familiar with the concepts covered in the\n| following modules:\n|\n| - [Introduction to Machine Learning](/machine-learning/intro-to-ml)\n| - [Linear regression](/machine-learning/crash-course/linear-regression)\n| - [Working with numerical data](/machine-learning/crash-course/numerical-data)\n| - [Working with categorical data](/machine-learning/crash-course/categorical-data)\n\nIntroduction\n\nThis module begins with a leading question.\nChoose one of the following answers: \nIf you had to prioritize improving one of the following areas in your machine learning project, which would have the most impact? \nImproving the quality of your dataset \nData trumps all. The quality and size of the dataset matters much more than which shiny algorithm you use to build your model. \nApplying a more clever loss function to training your model \nTrue, a better loss function can help a model train faster, but it's still a distant second to another item in this list.\n\nAnd here's an even more leading question: \nTake a guess: In your machine learning project, how much time do you typically spend on data preparation and transformation? \nMore than half of the project time \nYes, ML practitioners spend the majority of their time constructing datasets and doing feature engineering. \nLess than half of the project time \nPlan for more! Typically, 80% of the time on a machine learning project is spent constructing datasets and transforming data.\n\nIn this module, you'll learn more about the characteristics of machine learning\ndatasets, and how to prepare your data to ensure high-quality results when\ntraining and evaluating your model. \n[Help Center](https://support.google.com/machinelearningeducation)"]]
