Qu'est-ce que l'AM
Afin de bien comprendre le code de ce cours, il est recommandé de suivre les cours suivants (sauf si vous maîtrisez déjà ces sujets) :
L'apprentissage automatique (ML) est une approche de la programmation dans laquelle les ordinateurs apprennent à partir de données pour résoudre une tâche, plutôt que d'avoir la solution explicitement programmée.
Prenons l'exemple du classificateur spam/ham (non spam).
Si vous essayez de le construire en utilisant l'approche de programmation traditionnelle (sans ML), il sera difficile d'écrire la logique de votre programme, même pour créer manuellement une liste de mots de spam.
En alternative, vous pouvez fournir de nombreux exemples de courriers indésirables (spam) et de courriers légitimes (ham) à un modèle d'apprentissage automatique qui apprendra par lui-même.
Les données que nous fournissons au modèle d'apprentissage automatique pour l'entraîner sont appelées ensemble d'entraînement. Dans l'exemple ci-dessus, l'ensemble d'entraînement est constitué d'un ensemble d'e-mails déjà étiquetés comme spam ou ham. Cela permet au modèle d'apprendre les caractéristiques des e-mails indésirables et non indésirables.
Après l'entraînement du modèle, nous évaluons ses performances à l'aide de l'ensemble de test. Celui-ci se compose d'un ensemble distinct d'e-mails, également étiquetés comme spam ou ham, ce qui nous aide à déterminer dans quelle mesure notre modèle peut généraliser à de nouvelles données inconnues.
Merci pour vos commentaires !
Demandez à l'IA
Demandez à l'IA
Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion
Awesome!
Completion rate improved to 3.13
Qu'est-ce que l'AM
Glissez pour afficher le menu
Afin de bien comprendre le code de ce cours, il est recommandé de suivre les cours suivants (sauf si vous maîtrisez déjà ces sujets) :
L'apprentissage automatique (ML) est une approche de la programmation dans laquelle les ordinateurs apprennent à partir de données pour résoudre une tâche, plutôt que d'avoir la solution explicitement programmée.
Prenons l'exemple du classificateur spam/ham (non spam).
Si vous essayez de le construire en utilisant l'approche de programmation traditionnelle (sans ML), il sera difficile d'écrire la logique de votre programme, même pour créer manuellement une liste de mots de spam.
En alternative, vous pouvez fournir de nombreux exemples de courriers indésirables (spam) et de courriers légitimes (ham) à un modèle d'apprentissage automatique qui apprendra par lui-même.
Les données que nous fournissons au modèle d'apprentissage automatique pour l'entraîner sont appelées ensemble d'entraînement. Dans l'exemple ci-dessus, l'ensemble d'entraînement est constitué d'un ensemble d'e-mails déjà étiquetés comme spam ou ham. Cela permet au modèle d'apprendre les caractéristiques des e-mails indésirables et non indésirables.
Après l'entraînement du modèle, nous évaluons ses performances à l'aide de l'ensemble de test. Celui-ci se compose d'un ensemble distinct d'e-mails, également étiquetés comme spam ou ham, ce qui nous aide à déterminer dans quelle mesure notre modèle peut généraliser à de nouvelles données inconnues.
Merci pour vos commentaires !