[{
"type": "thumb-down",
"id": "missingTheInformationINeed",
"label":"Missing the information I need"
},{
"type": "thumb-down",
"id": "tooComplicatedTooManySteps",
"label":"Too complicated / too many steps"
},{
"type": "thumb-down",
"id": "outOfDate",
"label":"Out of date"
},{
"type": "thumb-down",
"id": "translationIssue",
"label":"Translation issue"
},{
"type": "thumb-down",
"id": "samplesCodeIssue",
"label":"Samples/Code issue"
},{
"type": "thumb-down",
"id": "otherDown",
"label":"Other"
}]
[{
"type": "thumb-up",
"id": "easyToUnderstand",
"label":"Easy to understand"
},{
"type": "thumb-up",
"id": "solvedMyProblem",
"label":"Solved my problem"
},{
"type": "thumb-up",
"id": "otherUp",
"label":"Other"
}]
Plongée dans le ML
La régression linéaire est une méthode qui permet de déterminer la droite ou l'hyperplan qui représente le mieux un ensemble de points. Ce module explore la régression linéaire de manière intuitive avant de jeter les bases d'une approche du Machine Learning de la régression linéaire.
Plongée dans le ML
Apprentissage à partir de données
Il existe de nombreuses manières complexes d'apprendre à partir de données.
Cependant, il est possible de commencer par quelque chose d'accessible.
Commencer à un niveau simple permet d'aborder des méthodes utiles dans un plus grand nombre de cas.
Une fonction de perte pratique pour la régression
La perte L2 d'un exemple donné est également appelée "perte quadratique".
= carré de la différence entre la prédiction et l'étiquette
= (observation - prédiction)2
= (y - y')2
Définition de la perte L2 sur un ensemble de données
\(\sum \text{: La somme de tous les exemples dans l'ensemble d'apprentissage est calculée.}\)
\(D \text{: Il est parfois utile de calculer la moyenne sur tous les exemples,}\)
\(\text{et donc de diviser par} \frac{1}{\|D\|}.\)