Formulation

Ce module étudie la manière de reformuler une tâche comme un problème de Machine Learning. Il couvre également un grand nombre de termes de vocabulaire de base utilisés dans un large éventail de méthodes de Machine Learning (ML).

Formulation

Les systèmes de ML apprennent

comment combiner des entrées

pour formuler des prédictions utiles

sur des données qui n'ont encore jamais été observées.

  • L'étiquette est le véritable objet de la prédiction : y
    • La variable y dans une régression linéaire de base
  • L'étiquette est le véritable objet de la prédiction : y
    • La variable y dans une régression linéaire de base
  • Les caractéristiques sont des variables d'entrée décrivant nos données : xi
    • Les variables {x1, x2, ... xn} dans une régression linéaire de base
  • Un exemple est une instance particulière de donnée, x
  • Un exemple étiqueté comporte {caractéristiques, étiquette} : (x, y)
    • Utilisé pour entraîner le modèle
  • Un exemple sans étiquette comporte {caractéristiques, ?} : (x, ?)
    • Utilisé pour effectuer des prédictions sur les nouvelles données
  • Un exemple est une instance particulière de donnée, x
  • Un exemple étiqueté comporte {caractéristiques, étiquette} : (x, y)
    • Utilisé pour entraîner le modèle
  • Un exemple sans étiquette comporte {caractéristiques, ?} : (x, ?)
    • Utilisé pour effectuer des prédictions sur les nouvelles données
  • Un modèle fait correspondre des exemples à des étiquettes prédites : y'
    • Défini par des paramètres internes qui sont appris