שלב 1. מסגור הבעיה
עוד לפני כל מידול: מהי הבעיה, מדוע היא חשובה, וכיצד היא הופכת למשימת למידת מכונה.
דרישה 1
הבנת תחום הבעיה
הציגו הבנה מעמיקה של תחום הבעיה, המוטיבציה שמאחוריה והמשמעות שלה בעולם האמיתי. בססו את חשיבות הבעיה על ראיות אמינות: ספרות מחקרית, דוחות תעשייה, נתונים סטטיסטיים, נתוני שוק או מקורות עובדתיים אחרים.
אנטי-דפוסים נפוצים
- הגדרת בעיה מעורפלת או כללית מדי.
- מוטיבציה שנשענת על דעה אישית במקום על ראיות.
- היעדר הצדקה כמותית.
- הבנה שטחית של הפתרונות הקיימים ושל מגבלותיהם.
- בחירה בבעיה טריוויאלית או מלאכותית.
דרישה 2
חשיבות הבעיה והערך שבפתרונה
התמודדו עם צורך מוגדר היטב, משמעותי ורצוי שטרם נענה. הפרויקט אמור לפתור בעיה שמניבה ערך מוחשי למשתמשים או לבעלי העניין שאליהם הוא מכוון, עם יעדים וקריטריוני הצלחה ברורים.
אנטי-דפוסים נפוצים
- פתרון בעיה טריוויאלית.
- טיפול בבעיה שכבר נפתרה היטב, בלי שום בידול.
- יעדים מעורפלים או קהל משתמשים לא ברור.
- היעדר הסבר משכנע לגבי ההשפעה הצפויה.
- פיתוח שמונע מפיצ'רים במקום מהבעיה עצמה.
דרישה 3
ניסוח הבעיה כמשימת למידה
תרגמו את הצורך מהעולם האמיתי לבעיית ML מוגדרת היטב. הגדירו במפורש את משימת החיזוי או ההחלטה, את הקלט והפלט, את ההנחות, את האילוצים ואת יעדי ההערכה.
אנטי-דפוסים נפוצים
- ניסוח שגוי של משימת ה-ML.
- משתנה מטרה מוגדר בצורה רופפת.
- פער בין הבעיה העסקית לבין הניסוח ה-ML שלה.
- התעלמות מהנחות או מאילוצים.
- מסגור הבעיה סביב הנתונים הזמינים במקום סביב הצורך האמיתי.
שלב 2. סקירת ספרות, נתונים ובסיסי ייחוס
מה כבר קיים, מהיכן מגיעים הנתונים, ומה הפתרון שלכם צריך לנצח.
דרישה 4
סקירת פתרונות בחזית הידע
בצעו סקירה יסודית של המודלים, השיטות והטכנולוגיות הרלוונטיים בחזית הידע. הראו הבנה עמוקה של אופן הפעולה שלהם, של החוזקות והמגבלות שלהם, והסבירו מדוע הם רלוונטיים לפרויקט.
אנטי-דפוסים נפוצים
- בחירת מודלים רק משום שהם פופולריים.
- תיאורים שטחיים.
- השוואה בין שיטות בלי להבין אותן.
- התעלמות מספרות עדכנית.
- הנמקה חלשה לבחירת המודל.
דרישה 5
מתודולוגיה לאיסוף וליצירת נתונים
פתחו והצדיקו מתודולוגיה מבוססת לאיסוף, ליצירה או לאצירה של נתונים, תוך שימוש בעקרונות שנלמדו בקורס. המתודולוגיה צריכה להיות שיטתית, ניתנת לשחזור ומתואמת ליעדי הפרויקט.
אנטי-דפוסים נפוצים
- בחירה שרירותית של מערך הנתונים.
- נתונים באיכות ירודה או מוטים.
- היעדר מתודולוגיית איסוף מתועדת.
- התעלמות משיקולים אתיים או משפטיים.
- נתונים שמייצגים בצורה גרועה את בעיית היעד.
דרישה 6
ניתוח נתונים חוקר ובניית בסיסי ייחוס
בצעו ניתוח נתונים חוקר (EDA) יסודי כדי להכיר את מערך הנתונים, לאתר בעיות איכות, לגלות דפוסים משמעותיים ולהנחות את החלטות המידול. בססו מודלי baseline חזקים לצורך השוואה.
אנטי-דפוסים נפוצים
- EDA שטחי.
- התעלמות מערכים חסרים, חריגים, חוסר איזון או דליפת נתונים.
- דילוג על מודלי baseline.
- בסיסי ייחוס חלשים.
- החלטות שאינן נתמכות בניתוח הנתונים.
שלב 3. הערכה ומסירת תוצרים
השוואה בין חלופות אמיתיות, דיווח מדויק עליהן, ומסירת ריפוזיטורי שמישהו אחר יכול להריץ.
דרישה 7
הערכה משווה של מספר גישות
ממשו והשוו כמה גישות מידול משמעותיות ולא טריוויאליות, באמצעות מתודולוגיה ניסויית הוגנת ומדדי הערכה מתאימים. נתחו את הפשרות בין הפתרונות המתחרים.
אנטי-דפוסים נפוצים
- הערכה של מודל יחיד בלבד.
- השוואה בין וריאציות פרמטרים זניחות בלבד.
- השוואות לא הוגנות.
- דיווח תוצאות ללא ניתוח.
- בחירת המודל הטוב ביותר על סמך מדד בודד.
דרישה 8
הצגת התוצאות ותקשורן
הציגו את התוצאות בבהירות באמצעות מדדי הערכה מתאימים, ויזואליזציות אינפורמטיביות והסברים טכניים תמציתיים. תקשרו בבירור הן את הביצועים והן את התובנות המרכזיות.
אנטי-דפוסים נפוצים
- דיווח מדדים ללא פרשנות.
- מדדי הערכה לא מתאימים.
- ויזואליזציות לא ברורות או עמוסות.
- דוחות או מצגות עמוסים מדי.
- מסקנות שאינן נתמכות בראיות.
דרישה 9
איכות הריפוזיטורי ושחזוריות
נהלו ריפוזיטורי GitHub מקצועי עם שם משמעותי, README מקיף, ארגון הגיוני של הקבצים וכל התוצרים הדרושים כדי לאפשר שחזוריות.
אנטי-דפוסים נפוצים
- ארגון לקוי של הריפוזיטורי.
- היעדר README.
- מבנה פרויקט מבולגן.
- היעדר תוצרים הדרושים לשחזור התוצאות.
- היעדר דיאגרמות, צילומי מסך או תיעוד של תהליך העבודה.
שלב 4. קפדנות, התקדמות ועומק
ההבדל בין פרויקט שרץ פעם אחת לבין פרויקט שבאמת הונדס.
דרישה 10
קפדנות הנדסית ושיפור איטרטיבי
הראו מאמץ הנדסי משמעותי באמצעות ניסויים שיטתיים, אופטימיזציה של hyperparameters, ולידציה של הנתונים, ניתוח שגיאות וליטוש איטרטיבי של הפתרון.
אנטי-דפוסים נפוצים
- עצירה אחרי המודל הראשון שעובד.
- כוונון מינימלי של hyperparameters.
- היעדר ולידציה של הנתונים.
- היעדר ניתוח שגיאות.
- היעדר מחזור שיפור איטרטיבי.
- הסתמכות עיוורת על AutoML או על קוד שנוצר בידי בינה מלאכותית.
דרישה 11
התקדמות הפרויקט והיענות למשוב
הראו התקדמות רציפה לאורך הסמסטר: עמידה באבני דרך משמעותיות, הטמעת המשוב של המרצה וליטוש הפתרון לאורך כמה איטרציות. הפרויקט הסופי אמור לשקף בבירור למידה וצמיחה טכנית.
אנטי-דפוסים נפוצים
- התקדמות מזערית אחרי הגשת ההצעה.
- התעלמות מהמשוב של המרצה.
- מימוש שנדחק לרגע האחרון.
- חזרה שוב ושוב על אותן טעויות.
- היעדר עדות לשיפור בין אבני הדרך.
דרישה 12
עומק טכני וחשיבה ביקורתית
הראו הבנה טכנית עמוקה של הבעיה, של הנתונים ושל הפתרון. התקדמו מעבר לתצפיות מובנות מאליהן וזהו אתגרים עדינים, ניואנסים ייחודיים לתחום, הנחות סמויות, מקרי קצה ופשרות טכניות. הציגו ניתוח מעמיק, ולא רק יישום של טכניקות סטנדרטיות.
אנטי-דפוסים נפוצים
- ניתוח שטחי.
- התייחסות למודלים כאל קופסאות שחורות.
- התעלמות מניואנסים של הנתונים או של התחום.
- דיון כללי ברמת ספר לימוד.
- שכפול הסברים שנוצרו בידי בינה מלאכותית ללא בחינה ביקורתית.
- אי-הנמקה של החלטות טכניות או היעדר דיון בפשרות.
