Qu'est-ce que l'AM
Pour suivre le code de ce cours, il est recommandé d'avoir terminé les cours suivants, à moins que ces sujets ne soient déjà maîtrisés :
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 de lui-même les schémas distinctifs.
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 vérifie la capacité du modèle à 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 3.13Qu'est-ce que l'AM
Glissez pour afficher le menu
Pour suivre le code de ce cours, il est recommandé d'avoir terminé les cours suivants, à moins que ces sujets ne soient déjà maîtrisés :
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 de lui-même les schémas distinctifs.
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 vérifie la capacité du modèle à généraliser à de nouvelles données inconnues.
Merci pour vos commentaires !
