Méthodes d'apprentissage automatique supervisé

Name: Méthodes d'apprentissage automatique supervisé
Author: Gabriel Popoola

Dans ce chapitre, vous découvrirez les concepts et les techniques d’apprentissage supervisé. Il couvrira la régression linéaire et logistique. Vous en…

Preview the first lesson free — get full access to all 4 lessons.

Demander une démo Se connecter

Cours : à la demande

Bienvenue dans le cours de Knowledge City sur l'apprentissage automatique, les méthodes d'apprentissage automatique supervisé. Dans ces leçons, vous découvrirez le linéaire et régression logistique, machines à vecteurs de support, arbres de décision et forêt aléatoire, et réseaux de neurones. Cette leçon portera sur la régression linéaire et logistique. Au cours de cette leçon, vous apprendrez ce qu'est la régression linéaire, qu'est-ce que la régression logistique, comment sont utilisées la régression linéaire et logistique, et comment la régression linéaire et logistique est-elle mise en œuvre ? Qu'est-ce que la régression linéaire ? La régression linéaire est l'une des plus élémentaires algorithmes d'apprentissage automatique utilisé pour prédire une variable continue. En régression linéaire simple, il y a une variable indépendante utilisée pour prédire la variable dépendante. Et en régression linéaire multiple, plusieurs variables dépendantes sont utilisées pour prédire la variable dépendante. Certaines utilisations incluent les statistiques, l'évaluation des tendances, et évaluation de l'efficacité du marketing. Qu'est-ce que la régression logistique ? La régression logistique est une méthode très populaire technique d'apprentissage automatique supervisé qui est généralement utilisé pour les problèmes de classification. Il utilise plusieurs variables indépendantes pour prédire une classe en utilisant l'estimation du maximum de vraisemblance. La régression logistique est mieux utilisée pour les problèmes de classification binaire, bien qu'il ne soit pas complètement limité à cette catégorie de problèmes. Certaines utilisations incluent les filtres anti-spam, déterminer si une tumeur est bénigne ou maligne, et prédire la probabilité qu'un événement se produise. Maintenant, nous allons entrer dans la linéarité et la régression logistique sont implémentées en Python. Donc ces implémentations, nous allons utiliser le package scikit-learn, qui contient encore une fois une grande variété de machine learning supervisé et non supervisé, implémentations de modèles et d'algorithmes. Et c'est un très bon endroit pour commencer si vous vous lancez dans l'apprentissage automatique. Vous pouvez donc essayer certains des modèles les plus simples et les plus basiques avant de plonger dans les plus complexes. La régression linéaire utilise donc l'ensemble de données sur le diabète. Comme vous pouvez le voir ici, l'erreur absolue moyenne pour cela est d'environ 41, ce qui signifie qu'en moyenne, chaque fois qu'une prédiction est faite, la solution est d'environ 41 points. Donc, bien sûr, c'est mauvais, mais dans ce cas, ça n'a pas forcément d'importance parce que le but de ceci est juste de montrer combien il est facile de mettre en œuvre un modèle de régression linéaire. Et vous savez, bien sûr, il existe des ensembles de données où la régression fonctionnerait beaucoup mieux. Mais cet ensemble de données sur le diabète en est un des ensembles de données de régression plus complexes. Ensuite, nous allons passer à la régression logistique. Ceci utilise l'ensemble de données sur le cancer du sein. Et comme vous pouvez le voir ici, la précision est d'environ 94 %, ce qui est plutôt bien. Bien sûr, il existe des classificateurs qui peut fonctionner nettement mieux, mais 94 % n'est certainement pas un mauvais résultat de précision, surtout pour un si simple et un modèle d'apprentissage automatique explicable comme celui-ci. Ceci conclut cette leçon, et ensuite, nous allons discuter des machines à vecteurs de support. Merci.

Débutant Fournisseur : Gabriel Popoola 4 leçons · 15m en Arabe, Allemand, Anglais, Espagnol, Français, Portugais, Ourdou, Chinese

Description du cours

Dans ce chapitre, vous découvrirez les concepts et les techniques d’apprentissage supervisé. Il couvrira la régression linéaire et logistique. Vous en apprendrez davantage sur les machines vectorielles de support et leurs utilisations. Ce chapitre couvre également les arbres de décision, les forêts aléatoires, l’apprentissage d’ensemble et la façon dont ils sont tous liés. Les réseaux de neurones sont également abordés dans ce chapitre.

Objectifs de la formation :

Les compétences:

Ce que vous allez apprendre

Appliquer la régression linéaire et logistique en tant que techniques d'apprentissage supervisé
Utiliser des machines à vecteurs de support et comprendre leurs utilisations
Construire des arbres de décision et des forêts aléatoires et comprendre comment ils se rapportent
Explorer l'apprentissage d'ensemble et les avantages des ensembles par rapport aux classificateurs de base uniques
Comprendre les réseaux de neurones dans l'apprentissage automatique supervisé

Points clés à retenir

Ce chapitre couvre les concepts et techniques d'apprentissage supervisé, y compris la régression linéaire et logistique.
Les machines à vecteurs de support et leurs utilisations sont abordées aux côtés des arbres de décision et des forêts aléatoires.
Le chapitre explique les arbres de décision, les forêts aléatoires et l'apprentissage d'ensemble, et comment ils sont tous liés.
Il met en évidence les avantages des ensembles par rapport aux classificateurs de base uniques.
Les réseaux de neurones sont également abordés dans le cadre de l'apprentissage automatique supervisé.

Foire aux questions

Quelles techniques d'apprentissage automatique supervisé ce chapitre couvre-t-il ?

Il couvre la régression linéaire et logistique, les machines à vecteurs de support, les arbres de décision, les forêts aléatoires, l'apprentissage d'ensemble et les réseaux de neurones.

Qu'apprendrai-je sur les ensembles dans ce cours ?

Vous apprendrez ce qu'est l'apprentissage d'ensemble et les avantages des ensembles par rapport aux classificateurs de base uniques, ainsi que la manière dont les arbres de décision, les forêts aléatoires et l'apprentissage d'ensemble sont liés.

Sur quelles compétences ce cours se concentre-t-il ?

Il se concentre sur l'apprentissage supervisé, les algorithmes et méthodes d'apprentissage automatique, les méthodes d'exploration de données et l'apprentissage par arbre de décision.

Les réseaux de neurones sont-ils inclus dans ce chapitre ?

Oui, les réseaux de neurones sont abordés dans ce chapitre.