First, notice that the data is a li

First, notice that the data is a little noisy. That is, while we can see that there is a pattern to it (i.e. employee satisfaction tends to go up as salary goes up), it does not all fit neatly on a straight line. This will always be the case with real-world data (and we absolutely want to train our machine using real-world data!). So then how can we train a machine to perfectly predict an employee’s level of satisfaction? The answer, of course, is that we can’t. The goal of ML is never to make “perfect” guesses, because ML deals in domains where there is no such thing. The goal is to make guesses that are good enough to be useful

ผลลัพธ์ (ไทย) 1:

ครั้งแรก โปรดสังเกตว่า ข้อมูลเล็ก คือ ในขณะที่เราสามารถเห็นว่า มีรูปแบบนั้น (เช่นความพึงพอใจของพนักงานมีแนวโน้มที่จะ ไปขึ้นเป็นเงินเดือนไปขึ้น), ไม่พอดีไม่ใช่ทุกอย่างบนเส้นตรง นี้จะเป็นในกรณีของข้อมูลจริง (และเราจริง ๆ ต้องฝึกเครื่องของเราโดยใช้ข้อมูลจริง) ดังนั้น แล้วว่าเราสามารถฝึกเครื่องเพื่อทำนายระดับความพึงพอใจของพนักงานดีที่สุด ตอบ แน่นอน คือ ว่า เราไม่ เป้าหมายของ ML ไม่ต้อง "ดี" จากการทาย เนื่องจากข้อเสนอ ML ในโดเมนไม่มีสิ่งดังกล่าว เป้าหมายคือการ ทำให้จากการทายที่ดีพอที่จะเป็นประโยชน์

ผลลัพธ์ (ไทย) 2:

ครั้งแรกที่สังเกตเห็นว่าข้อมูลที่เป็นเล็ก ๆ น้อย ๆ ที่มีเสียงดัง นั่นคือในขณะที่เราจะเห็นว่ามีรูปแบบไป (เช่นพึงพอใจของพนักงานมีแนวโน้มที่จะไปขึ้นเงินเดือนขึ้นไป) ก็ไม่ได้พอดีกับทุกอย่างเรียบร้อยบนเส้นตรง นี้มักจะเป็นกรณีที่มีข้อมูลที่แท้จริงของโลก (และเราต้องการอย่างยิ่งในการฝึกอบรมเครื่องของเราโดยใช้ข้อมูลจริงในโลก!) ดังนั้นแล้ววิธีการที่เราสามารถฝึกอบรมเครื่องที่ดีที่สุดที่จะคาดการณ์ระดับของพนักงานมีความพึงพอใจอยู่แล้ว? คำตอบของหลักสูตรคือการที่เราไม่สามารถ เป้าหมายของ ML ไม่เคยที่จะทำให้ "ดี" คาดเดาเพราะข้อเสนอที่ ML ในโดเมนที่ไม่มีสิ่งดังกล่าว มีเป้าหมายที่จะคาดเดาว่ามีดีพอที่จะเป็นประโยชน์

ผลลัพธ์ (ไทย) 3:

ครั้งแรก สังเกตว่า ข้อมูลมันเสียงดังน่ะ นั่นคือ ขณะที่เราสามารถดูว่า มีรูปแบบ ( เช่น ความพึงพอใจของพนักงานที่มีแนวโน้มที่จะไปเป็นเงินเดือนขึ้น ) , มันไม่ได้ทั้งหมดพอดีอย่างประณีตบนเส้นตรง นี้มักจะเป็นกรณีที่มีข้อมูลที่เป็นจริง ( และแน่นอนว่าเราต้องการฝึกเครื่องของเราโดยใช้ข้อมูล ! จริง ) .ดังนั้นวิธีที่เราสามารถรถไฟเครื่องอย่างสมบูรณ์ทำนายความพึงพอใจของพนักงาน ? คำตอบของหลักสูตรคือว่าเราสามารถทำเป้าหมายของมลไม่เคยให้ " สมบูรณ์ " คาดเดา เพราะมล เกี่ยวข้องใน โดเมนที่ไม่มีสิ่งดังกล่าว เป้าหมายคือเพื่อให้คาดเดาว่ามีดีพอที่จะเป็นประโยชน์