Langsung ke konten utama
Buka dasbor
Tidak yakin harus mulai dari mana? Ikuti kuis singkat untuk mendapatkan rekomendasi yang disesuaikan.
Pelajaran 5 dari 7
Latih model Pembelajaran Mesin Anda
Pembelajaran Mesin Langsung
Apa itu Pembelajaran Mesin?
Menginvestigasi cerita dengan pembelajaran mesin
Google Cloud AutoML Vision
Tanggal persiapan
Evaluasi dan Uji
check_box_outline_blank Hands-on Machine Learning: Take the Quiz
Kursus
0% selesai
5 menit untuk diselesaikan

Latih model Pembelajaran Mesin Anda

image13_2.png

Impor data Anda di AutoML Vision dan mulai proses pelatihan

image13_2.png

Siapkan data Anda untuk diimpor

image13_2_x1zLfy0.png

Saatnya kembali ke akun Google Cloud dan melanjutkan latihan dengan mengimpor set data pelatihan kita ke AutoML Vision.

Cara tercepat untuk menambahkan gambar berlabel adalah mengunggah folder zip terpisah yang berisi contoh untuk setiap label. Dalam kasus kita, kita memiliki dua folder/label: "positif" (gambar dengan contoh penambangan kuning) dan "negatif" (tanpa). Anda juga dapat mengunggah semua gambar bersama-sama dan memberi label secara manual di dalam antarmuka AutoML Vision, tetapi cara itu akan memakan waktu lebih lama.

image13_2_x1zLfy0.png

Impor data ke AutoML (1)

Unduh dua folder zip pada disk lokal Anda: 



Saat sedang diunduh, buka kembali platform Google Cloud melalui tautan ini. Setelah dua folder diunduh ke disk lokal Anda, ikuti langkah-langkah berikut untuk mengunggahnya ke AutoML Vision:


Dari antarmuka, klik "Set Data Baru".


Ubah nama set data Anda menjadi sesuatu yang dapat dikenali (misalnya, "pertambangan_ambar"), pilih "Klasifikasi Label Tunggal" sebagai tujuan model Anda, dan klik "Buat set data".


Tetap pilih "Unggah gambar dari komputer Anda" dan klik "Pilih File". Dari menu yang akan terbuka, pilih "positive.zip" dan "negative.zip". Konfirmasikan pilihan Anda.


Klik "Jelajahi" untuk memilih tujuan di Cloud Storage dan di jendela yang akan terbuka, klik ikon di pojok kanan atas untuk "Buat keranjang baru".


Beri nama pada keranjang Anda. Untuk tujuan latihan ini, tidak masalah apa pun yang Anda pilih dalam opsi berikut. Klik "Buat" dan kemudian "Pilih" di jendela berikutnya.

Impor data ke AutoML (2)

Sekarang kita siap untuk mengunggah set pelatihan:


Pastikan bahwa "negative.zip" dan "positive.zip" muncul di kotak abu-abu dan klik "Lanjutkan". Tunggu beberapa detik atau beberapa menit – tergantung pada kecepatan koneksi Anda – hingga gambar diunggah.


Saat unggahan selesai, klik "Gambar" dari menu di bagian atas halaman dan tunggu proses impor selesai – mungkin perlu waktu hingga 30 menit.


Saat proses impor selesai, Anda akan diberi tahu melalui email. Google Cloud Platform Anda akan menampilkan 1.150 gambar yang diimpor, 900 negatif, dan 250 positif.

Latih model Pembelajaran Mesin Anda

Sekarang kita siap untuk memulai proses pelatihan. Tapi pertama-tama, telusurilah gambar dan pelajari lebih lanjut tentang set data. Periksalah beberapa gambar "positif" misalnya. Dapatkah Anda melihat lubang yang berbeda dan jejak penambangan ambar? Jika Anda bisa mengenalinya, maka model Anda juga bisa melakukannya.


Untuk beberapa gambar, mungkin tidak mudah bahkan bagi Anda sendiri untuk mengetahui apakah ada jejak penambangan kuning atau tidak. Pada pelajaran berikutnya, kita akan melihat cara kinerja model pada contoh-contoh garis batas tersebut. Saat Anda siap untuk melanjutkan, klik "Latih”


Pada titik ini, model memberi tahu Anda bahwa "Anda memiliki cukup gambar untuk memulai pelatihan". Model juga memberi tahu Anda bahwa "Set data Anda akan otomatis dibagi menjadi set Latih, Validasi, dan Uji." Mari kita lihat apa artinya.

Set Latih, Validasi, dan Uji

image39_2.png

Alasan untuk memisahkan set data menjadi tiga kumpulan terpisah adalah karena kita menyisihkan beberapa gambar, sehingga setelah model dilatih, kita dapat mengevaluasi kinerjanya menggunakan data yang tidak dilatihnya – tetapi kita mengetahui label yang tepat untuk itu.


Jika Anda tidak menentukan berapa banyak gambar yang akan disimpan di setiap set, maka AutoML Vision menggunakan 80% untuk pengujian:


  • Set pelatihan adalah apa yang "dilihat" oleh model Anda dan dipelajari awalnya.
  • Set validasinya juga merupakan bagian dari proses pelatihan, tetapi tetap terpisah untuk menyetel hiperparameter dari model dan variabel yang menentukan struktur model. 
  • Set tes memasuki tahapan itu hanya setelah proses pelatihan. Kita menggunakannya untuk menguji kinerja model pada data yang belum terlihat.
image39_2.png
Selamat! Anda baru saja selesai Latih model Pembelajaran Mesin Anda Sudah, sedang dalam proses
Direkomendasikan untuk Anda
Bagaimana penilaian Anda untuk pelajaran ini?
Masukan Anda akan membantu kami terus meningkatkan kualitas pelajaran!
Keluar dan kehilangan progres?
Dengan keluar dari halaman ini, Anda akan kehilangan semua progres pada pelajaran Anda saat ini. Anda yakin ingin melanjutkan dan kehilangan progres Anda?