Ce module explique comment formuler une tâche en tant que problème de machine learning et traite de nombreux termes de vocabulaire de base partagés dans un large éventail de méthodes de machine learning (ML).
Trames
Qu'est-ce que le machine learning (supervisé) ?
Apprentissage par les systèmes de ML
comment combiner l'entrée
pour générer des prédictions utiles
sur des données encore inconnues
Terminologie: libellés et caractéristiques
- Le libellé est la variable que nous prédisons
- Généralement représentée par la variable y
Terminologie: libellés et caractéristiques
- Le libellé est la variable que nous prédisons
- Généralement représentée par la variable y
- Les caractéristiques sont des variables d'entrée décrivant nos données.
- Généralement représentée par les variables {x1, x2, ..., xn}
Terminologie: exemples et modèles
- Exemple : instance de données x
- Exemple de libellé comporte {features, label}: (x, y)
- Utilisé pour entraîner le modèle
- Exemple sans étiquette comportant {caractéristiques, ?}: (x, ?)
- Utilisé pour effectuer des prédictions sur de nouvelles données
Terminologie: exemples et modèles
- Exemple : instance de données x
- Exemple de libellé comporte {features, label}: (x, y)
- Utilisé pour entraîner le modèle
- Exemple sans étiquette comportant {caractéristiques, ?}: (x, ?)
- Utilisé pour effectuer des prédictions sur de nouvelles données
- Modèle fait correspondre des exemples à des étiquettes prédites : y'
- Définies par des paramètres internes, qui sont appris