Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Apprendre Qu'est-ce que l'AM | Concepts de l'Apprentissage Automatique
Introduction au ML Avec Scikit-Learn

bookQu'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.

question mark

Quel est l'avantage principal de l'utilisation d'un modèle d'apprentissage automatique (ML) pour un classificateur spam/ham par rapport à une approche de programmation traditionnelle ?

Select the correct answer

Tout était clair ?

Comment pouvons-nous l'améliorer ?

Merci pour vos commentaires !

Section 1. Chapitre 1

Demandez à l'IA

expand

Demandez à l'IA

ChatGPT

Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion

Awesome!

Completion rate improved to 3.13

bookQu'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.

question mark

Quel est l'avantage principal de l'utilisation d'un modèle d'apprentissage automatique (ML) pour un classificateur spam/ham par rapport à une approche de programmation traditionnelle ?

Select the correct answer

Tout était clair ?

Comment pouvons-nous l'améliorer ?

Merci pour vos commentaires !

Section 1. Chapitre 1
some-alt