Modul ini dimulai dengan pertanyaan utama.
Pilih salah satu jawaban berikut:
Jika Anda harus memprioritaskan peningkatan salah satu area berikut
dalam project machine learning, manakah yang akan memiliki dampak
terbesar?
Meningkatkan kualitas set data Anda
Data mengalahkan semuanya.
Kualitas dan ukuran set data jauh lebih penting daripada algoritma yang Anda gunakan untuk membuat model.
Menerapkan fungsi kerugian yang lebih cerdas untuk melatih model
Memang benar, fungsi loss yang lebih baik dapat membantu model dilatih lebih cepat, tetapi
masih jauh di bawah item lain dalam daftar ini.
Dan inilah pertanyaan yang jauh lebih penting:
Coba tebak: Dalam project machine learning Anda, berapa lama waktu
yang biasanya Anda habiskan untuk persiapan dan transformasi data?
Lebih dari setengah waktu proyek
Ya, praktisi ML menghabiskan sebagian besar waktu mereka
membangun set data dan
melakukan rekayasa fitur.
Kurang dari setengah waktu proyek
Rencanakan lebih banyak lagi. Biasanya, 80% waktu pada project
machine learning dihabiskan untuk membuat set data dan mengubah data.
Dalam modul ini, Anda akan mempelajari
lebih lanjut karakteristik machine learning
{i>dataset<i}, dan cara mempersiapkan data Anda untuk memastikan hasil yang berkualitas tinggi.
melatih dan mengevaluasi model Anda.
[null,null,["Terakhir diperbarui pada 2025-07-27 UTC."],[[["This module emphasizes the critical role of data quality in machine learning projects, highlighting that it significantly impacts model performance more than algorithm choice."],["Machine 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."],["The 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."],["Learners will gain insights into techniques for improving data quality, mitigating issues like overfitting, and interpreting loss curves to assess model performance."],["This module builds upon foundational machine learning concepts, assuming familiarity with topics like linear regression, numerical and categorical data handling, and basic machine learning principles."]]],[]]
