Що Таке ML
Для ефективного засвоєння коду в цьому курсі рекомендується спочатку пройти наступні курси, якщо ці теми ще не знайомі:
Машинне навчання (ML) — це підхід до програмування, за якого комп’ютери навчаються на даних для розв’язання завдання замість отримання явних інструкцій.
Розглянемо приклад класифікатора спаму/не спаму (ham).
Створення такої системи за допомогою традиційного програмування (без ML) є складним завданням, оскільки вимагає написання явних правил, навіть ручного складання списку спам-слів.
З використанням машинного навчання модель навчається на багатьох прикладах спам- і не-спам-листів та самостійно виявляє відмінні закономірності.
Дані, що використовуються для навчання, називаються навчальною вибіркою. У цьому випадку вона складається з електронних листів, які вже позначені як спам або не-спам, що дозволяє моделі виявити характеристики обох категорій.
Після навчання модель оцінюється за допомогою тестової вибірки — окремої колекції позначених листів. Цей етап перевіряє, наскільки добре модель узагальнює на нові, невідомі дані.
Дякуємо за ваш відгук!
Запитати АІ
Запитати АІ
Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат
Чудово!
Completion показник покращився до 4.55Що Таке ML
Свайпніть щоб показати меню
Для ефективного засвоєння коду в цьому курсі рекомендується спочатку пройти наступні курси, якщо ці теми ще не знайомі:
Машинне навчання (ML) — це підхід до програмування, за якого комп’ютери навчаються на даних для розв’язання завдання замість отримання явних інструкцій.
Розглянемо приклад класифікатора спаму/не спаму (ham).
Створення такої системи за допомогою традиційного програмування (без ML) є складним завданням, оскільки вимагає написання явних правил, навіть ручного складання списку спам-слів.
З використанням машинного навчання модель навчається на багатьох прикладах спам- і не-спам-листів та самостійно виявляє відмінні закономірності.
Дані, що використовуються для навчання, називаються навчальною вибіркою. У цьому випадку вона складається з електронних листів, які вже позначені як спам або не-спам, що дозволяє моделі виявити характеристики обох категорій.
Після навчання модель оцінюється за допомогою тестової вибірки — окремої колекції позначених листів. Цей етап перевіряє, наскільки добре модель узагальнює на нові, невідомі дані.
Дякуємо за ваш відгук!
