ML Workflow Overview

ခဏလေး ဒီလိုပဲ စဉ်းစားကြည့်

Data Collection/Cleaning က pipeline ရဲ့ ပထမဆုံးအဆင့်ပါ — real-world data က missing value, duplicate, inconsistent format ပါလေ့ရှိလို့, model ကို feed ခင် clean လုပ်ရပါတယ်။ Train/Test Split က data ကို ၂ ပိုင်း ခွဲထားခြင်းပါ (training data ကို model ကို 'သင်ကြားပေး' ဖို့, test data ကို model ရဲ့ performance 'စစ်ဆေးမေးခွန်းစာရွက်' လိုမျိုး unseen data နဲ့ စစ်ဆေးဖို့)။ Model Training က algorithm ကို training data နဲ့ 'run' ပြီး pattern ကို learn စေခြင်းပါ။ Evaluation ကတော့ model ရဲ့ accuracy/performance ကို metric (Intermediate chapter) ဖြင့် measure ခြင်းပါ.

လက်တွေ့ scenario နဲ့ ချိတ်ကြည့်မယ်

House price prediction project (Project chapter) ကို ဒီ pipeline အတိုင်း run ရင် — (1) house data (size, location, price) ကို collect, (2) missing value/outlier ကို clean, (3) data ကို 80% training / 20% test ခွဲ, (4) algorithm (Linear Regression) ကို training data နဲ့ train, (5) test data ဖြင့် accuracy စစ်, (6) satisfied ဖြစ်ရင် production ထဲ deploy — ဒီ ၆ ဆင့်ကို tutorial တစ်လျှောက်လုံးမှာ ထပ်ခါထပ်ခါ တွေ့ရမှာပါ.

• ML pipeline: Data Collection/Cleaning → Train/Test Split → Model Training → Evaluation → Deployment
• Train/Test Split = data ကို ၂ ပိုင်း ခွဲခြင်း (train အတွက်, unseen test အတွက်)
• Evaluation = model ရဲ့ performance ကို metric ဖြင့် measure ခြင်း

အတူတူ ကြည့်မယ်

ML Workflow
============

1. Data Collection    -> gather raw data
2. Data Cleaning       -> handle missing values, remove duplicates
3. Train/Test Split    -> e.g. 80% train, 20% test
4. Model Training       -> algorithm learns from training data
5. Evaluation           -> measure performance on TEST data (unseen)
6. Deployment           -> put the trained model into production use

ML workflow ရဲ့ ၆ ဆင့်ကို sequence အတိုင်း ရှင်းပြနိုင်မည်။