Последние несколько недель я работал над проектом машинного обучения, используя систему обучения, основанную на задачах, и вот моя история.

Обучение, основанное на вызовах

Структура обучения на основе задач (CBL) является совместной и практической, предлагая участникам определить большие идеи, задать хорошие вопросы, определить и решить проблемы, получить глубокие знания в предметной области, развить навыки 21-го века и поделиться своими мыслями с мир.

Система обучения на основе задач делится на три взаимосвязанных этапа: Вовлечение, Исследование и Действие. Каждый этап включает действия, которые подготавливают участника к переходу на следующий этап. Поддержка всего процесса — это непрерывный процесс документирования, анализа и обмена информацией (Подробнее о CBL здесь)

Как я применил эту структуру, чтобы справиться с неизвестным в задаче или проекте?

Ну, на мой взгляд, концепция этого фреймворка проста, вам нужно взять на заметку свой вопрос для Челлендж и найти ответ, а если у вас снова возникли вопросы из ваших выводов, вам нужно снова найти ответ и так далее. пока у вас не появится более четкое представление о ваших идеях и о том, как их реализовать!

1. Вовлечение — большая идея, основной вопрос и вызов

На этапе вовлечения мы переходим от абстрактной большой идеи к конкретной и действенной задаче, используя процесс основных вопросов. Начать с Большой Идеи и развить вовлеченность и чувство ответственности за счет определения увлекательной задачи — идеальный вариант для нас, но это не обязательно. Итак, мне нужно решить задачу от моей академии. Задача была "Улучшить повседневную активность с помощью машинного обучения".

2. Исследование — наводящий вопрос и задание

Мне нужно было решить задачу. Первое, что я подумал об этой задаче, было «У меня не было никакого представления о задаче», в моей голове возникло множество вопросов, поэтому, используя структуру CBL, я сломал вопрос на разные части

Первое расследование

На этом этапе я сотрудничаю с другими моими товарищами по команде, чтобы выяснить и получить ответы на наш вопрос об этом вызове. В этом первом исследовании мы думаем об основных вопросах, связанных с вызовом, таких как машинное обучение, как реализация, влияние машинного обучения, где найти ресурсы и что такое машинное обучение.

Затем мы провели кабинетное исследование и обсудили результат, чтобы лучше понять каждый групповой вопрос. В конце концов, мы поняли концепцию машинного обучения и обнаружили, что технологии Apple могут нам помочь — это CreateML, CoreML и API.

Второе расследование

На этом этапе я создаю наводящий вопрос, чтобы выяснить проблему, которую можно решить, и создаю концепцию решения. Я провожу исследование, чтобы помочь мне ответить на эти вопросы

В этом втором исследовании я обнаружил болевые точки: некоторые пользователи, особенно если они мобильные фотографы, все еще используют ручную сортировку, чтобы найти похожие тематические изображения / фотографии для создания или перемещения в альбом, тогда я предлагаю концепцию «приложения Галерея, которое помогает пользователь может выбирать свои изображения на основе критериев или категорий, которые ему нужны, с использованием технологии ML ».

Третье расследование

На этом этапе мой вопрос больше о том, как я могу представить свое решение более конкретным образом, это исследование было сосредоточено на дизайне и технических вопросах. а затем изучите техническую осуществимость, например, как мы можем создать режим ML, как мы найдем набор данных и т. д.

Я изучаю требования к дизайну и создаю такие артефакты, как User Flow, Wireframe и Hi-Fidelity.

Некоторые технические вопросы необходимо исследовать параллельно с вопросами дизайна, потому что, если у меня есть технические ограничения (время на разработку функции, ресурс набора данных и т. д.), чтобы мы могли настроить поток пользователей и экраны Hi-Fidelity,
А вот мои выводы и некоторые инструменты, которые помогают мне построить концепцию

Apple Create ML
Нам не нужно создавать модель ML с нуля, у Apple есть отличный инструмент, который поможет нам создать модель. Create ML очень прост в использовании, вам просто нужно предоставить набор данных и обучить их в несколько кликов

Классификация изображений ML
 Я использую классификацию изображений для поиска и группировки похожих изображений. Для первой итерации я использую определенный набор данных классификации, тип животных. Я нашел его на Kaggle, веб-сайте с открытым исходным кодом, который предоставляет бесплатный набор данных.

3. Действие — решение и оценка

Итак, у меня было много вопросов раньше, а затем я выполнил некоторые действия, чтобы получить результаты, после чего нам нужно создать решение и провести оценку. Нам нужны другие взгляды на наше решение и сбор отзывов, вы можете сделать это, протестировав его на других пользователях.
На этом этапе я тестирую свое концептуальное приложение на своих друзьях и специалистах (наставниках), чтобы получить от них отзывы. Вот что я получил

а. Минимально жизнеспособный продукт
Вам не нужно создавать дополнительную функцию, просто сосредоточьтесь на основной функции вашего приложения, чтобы ваше приложение могло быть запущено в установленные сроки, в этом случае моей функции слишком много. и его можно упростить
б. Дизайн результатов фильтра
Впечатления от результатов дизайна можно улучшить, основная проблема заключалась в том, что они выглядят одинаково до и после фильтрации изображения, поэтому пользователь не знает, что оно уже показывает отфильтрованные результаты< br /> С. Внедрение шаблона проектирования машинного обучения
Разработка приложения машинного обучения довольно сложна, потому что поведение приложения машинного обучения основывается на получаемых им данных, и вы не можете разработать конкретные реакции на статический набор сценариев. Вместо этого вы создаете опыт, обучая приложение интерпретировать данные и реагировать соответствующим образом. Вот несколько шаблонов, которые могут помочь нам в разработке функций машинного обучения Шаблон HIG ML. Итак, по тем же причинам дизайнеры должны знать о машинном обучении.
Д. Изучите базовый язык программирования правильно
В этом случае у меня нет опыта написания кода для отдельного приложения, я использую Swift в качестве языка программирования. Мне сложно писать и понимать чужой код или на форумах вроде переполнения стека. Я понял, что нам не нужно запоминать все структуры кода, но сначала постарайтесь изучить основы, а затем мы поможем вам изучить кодирование на следующем этапе.

Спасибо Apple Developer Academy-Binus за то, что поставили передо мной задачу. Я впервые получаю задание создать приложение индивидуально. Структура CBL помогает мне превратить нашу путаницу при столкновении с проблемой в вопрос и руководство, чтобы я мог видеть более четкое направление для следующего шага к решению!

Спасибо, что прочитали.

© 2023 Афаких Деаз Тратама. Все права защищены.