Vad bör vi hålla koll på?

I föregående lektion lärde du dig om de många alternativ och möjligheter som ingår i att bygga ML-pipelines, bland annat databearbetning, algoritmer, utvärdering och allmänna parametrar. I den här övningen tillämpar du dina kunskaper genom att välja de alternativ som är viktiga att spåra när du kör ML-experiment.

Syftet med övningen är att hjälpa dig förstå hur viktigt det är att noggrant välja och hålla koll på centrala alternativ när du bygger och kör ML-pipelines. Genom att identifiera och spåra dessa alternativ kan du på ett effektivt sätt utvärdera och jämföra olika pipelines, fatta välgrundade beslut om vilka pipelines som ska användas och optimera dina ML-modeller för bättre prestanda.

För att slutföra övningen behöver du noga överväga de olika alternativen som presenteras och välja de som är mest relevanta och viktiga att spåra i dina ML-experiment.