Sadržaj:
Nije stvar olako shvaćati - započinjanje projekta strojnog učenja može biti zastrašujući proces za rukovoditelje koji žele iskoristiti ovaj trend IT-a, ali može im nedostajati interno znanje da bi zaista razumjeli ono što čini stroj označavaju projekti učenja.
Ovdje ćemo govoriti o nekim osnovnim zabludama koje imaju utjecaja na način na koji tvrtke razvijaju tehnologije strojnog učenja na tržištu koje se brzo mijenja. (Podatkovna znanost je još jedno polje koje tvrtke provode, no kako se razlikuje od ML-a? Saznajte u Data Science-u ili strojnom učenju? Evo kako uočiti razliku.)
Mit # 1: Više podataka uvijek je bolje
Ovo je zaista jedan od najvećih mitova strojnog učenja. Ljudi misle da više podataka znači veću sposobnost prilagođavanja uvidljivim spoznajama. U nekim slučajevima su u pravu, ali češće, obrnuto može biti istina.
