Qu'est-ce que l'AM
Pour suivre le code de ce cours, il est utile d'avoir complété les cours suivants au préalable, à moins que ces sujets ne soient déjà connus :
L'apprentissage automatique (ML) est une approche de la programmation où les ordinateurs apprennent à partir des données pour résoudre une tâche, au lieu de recevoir des instructions explicites.
Considérer l'exemple d'un classificateur spam/ham (non-spam).
Construire un tel système avec une approche de programmation traditionnelle (sans apprentissage automatique) est difficile, car cela nécessite d'écrire des règles explicites, voire de compiler manuellement une liste de mots indésirables.
Avec l'apprentissage automatique, le modèle est entraîné sur de nombreux exemples d'e-mails indésirables et légitimes et apprend lui-même à distinguer les différents schémas.
Les données fournies pour l'entraînement sont appelées ensemble d'entraînement. Dans ce cas, il s'agit d'e-mails déjà étiquetés comme indésirables ou légitimes, ce qui permet au modèle de saisir les caractéristiques des deux catégories.
Après l'entraînement, le modèle est évalué à l'aide d'un ensemble de test - une collection distincte d'e-mails étiquetés. Cette étape permet de vérifier la capacité du modèle à généraliser sur 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
Can you explain more about how the training and test sets are created?
What are some common features used to classify emails as spam or ham?
How does the model actually learn to distinguish between spam and ham?
Awesome!
Completion rate improved to 3.13Qu'est-ce que l'AM
Glissez pour afficher le menu
Pour suivre le code de ce cours, il est utile d'avoir complété les cours suivants au préalable, à moins que ces sujets ne soient déjà connus :
L'apprentissage automatique (ML) est une approche de la programmation où les ordinateurs apprennent à partir des données pour résoudre une tâche, au lieu de recevoir des instructions explicites.
Considérer l'exemple d'un classificateur spam/ham (non-spam).
Construire un tel système avec une approche de programmation traditionnelle (sans apprentissage automatique) est difficile, car cela nécessite d'écrire des règles explicites, voire de compiler manuellement une liste de mots indésirables.
Avec l'apprentissage automatique, le modèle est entraîné sur de nombreux exemples d'e-mails indésirables et légitimes et apprend lui-même à distinguer les différents schémas.
Les données fournies pour l'entraînement sont appelées ensemble d'entraînement. Dans ce cas, il s'agit d'e-mails déjà étiquetés comme indésirables ou légitimes, ce qui permet au modèle de saisir les caractéristiques des deux catégories.
Après l'entraînement, le modèle est évalué à l'aide d'un ensemble de test - une collection distincte d'e-mails étiquetés. Cette étape permet de vérifier la capacité du modèle à généraliser sur de nouvelles données inconnues.
Merci pour vos commentaires !
