Apprentissage automatique et classification

Name: Apprentissage automatique et classification
Author: Briana Brownell

Apprenez les bases de la modélisation de la classification et comment gérer la collecte et le prétraitement des données

Preview the first lesson free — get full access to all 6 lessons.

Cours : à la demande

Dans ce chapitre, nous parlerons des bases de la modélisation de la classification, y compris comment il s'intègre dans l'image plus grande de l'apprentissage automatique et de l'intelligence artificielle. Alors, qu'est-ce que l'apprentissage automatique ? J'adore cette définition de Robert Schapire à Princeton parce qu'il nous donne un moyen intuitif réfléchir aux façons dont les ordinateurs peuvent apprendre. La première chose à remarquer dans cette définition est que tout l'apprentissage automatique dépend sur différents types d'algorithmes informatiques que nous pouvons utiliser pour résoudre différents problèmes. La deuxième chose est la dépendance aux données pour faire fonctionner l'apprentissage automatique. Maintenant, parce que nous vivons dans un monde riche en données en ce moment, il est facile d'oublier que cela n'a pas toujours été le cas. Dans l'histoire, les données étaient en fait assez rares, et donc la plupart de la modélisation de la classification et la plupart de la modélisation de l'IA était en fait non basé sur des observations de données ; il était basé sur d'autres formes de données que nous pourrions utiliser pour construire certains de ces systèmes plus complexes, des choses comme l'instruction et l'expérience directe. Mais maintenant nous avons accès à toutes sortes de données dans toutes sortes de domaines différents. Et donc la plupart de la modélisation de l'apprentissage automatique que vous ferez dépend de l'apprentissage à partir de données d'observation. Il existe trois principaux types d'apprentissage automatique : apprentissage supervisé, apprentissage non supervisé, et l'apprentissage par renforcement. Et tous ces styles larges de l'apprentissage automatique résolvent différents problèmes. Pour l'apprentissage supervisé, il s'agit de faire une sorte de prédiction ou de classification, et pour cela, vous avez besoin d'exemples qui sont, ce qu'on appelle, étiqueté. Et cela signifie que vous avez une série de variables d'entrée et vous essayez de les utiliser prédire une sorte de résultat. Donc, si vous pensez à l'exemple de l'attrition des clients, vous pouvez avoir un tas de données qui examinent à quel point ce client était satisfait d'un produit, comment ils utilisaient ce produit, puis la variable de résultat était qu'ils aient ou non annulé leur service. Pour les problèmes d'apprentissage supervisé, il est essentiel d'avoir cette variable étiquetée que vous pouvez prédire. En comparaison, l'apprentissage non supervisé n'a pas une variable de sortie étiquetée, et donc ce que cela signifie, ce sont les types de problèmes que vous résolvez avec un apprentissage non supervisé sont un peu différent. Vous cherchez à trouver des types de modèles émergents dans les données qui vous permettent d'explorer et utiliser les données de manière plus sophistiquée ; des choses comme comprendre quelles variables sont liées l'un à l'autre; comprendre des choses comme différents groupes, différents clusters dans les données que vous pouvez utiliser pour comprendre les données dont vous disposez. Enfin, l'apprentissage par renforcement est un peu différent des deux supervisés et l'apprentissage automatique non supervisé. En apprentissage par renforcement, il y a un agent actif qui apprend une méthode prendre des décisions. Donc, ce style d'apprentissage automatique est très courant dans les jeux, donc des choses comme l'enseignement et l'intelligence artificielle comment jouer aux dames ou aux échecs ou tout autre jeu comme ça. L'apprentissage automatique supervisé est de loin le style d'apprentissage automatique le plus courant que vous rencontrerez dans l'industrie. Et en fait, la modélisation de la classification est un type important de l'apprentissage automatique supervisé. Cela dit, l'apprentissage automatique non supervisé deviennent également extrêmement importants même pendant que vous faites un apprentissage supervisé parce que beaucoup de méthodologies que vous pouvez utiliser dans l'apprentissage non supervisé peut être extrêmement important en faisant des choses comme la sélection de fonctionnalités et de comprendre les nuances dans les données que vous utilisez dans un problème d'apprentissage automatique supervisé, il est donc assez courant de les utiliser ensemble. Nous allons donc aborder quelques concepts d'apprentissage non supervisé dans ce cours également. Vous avez maintenant les bases des trois principaux types de l'apprentissage automatique et comment l'apprentissage automatique supervisé et le modèle de classification s'y inscrit.

Intermédiaire Fournisseur : Briana Brownell 6 leçons · 26m en Arabe, Allemand, Anglais, Espagnol, Français, Portugais, Chinese

Description du cours

Ces leçons introduiront la modélisation de la classification et son espace de problèmes dans le cadre de l'apprentissage automatique supervisé. Cela comprendra l'apprentissage et la reconnaissance de la différence entre la classification et la prédiction, et la façon dont la modélisation de la classification s'intègre dans le domaine plus large de l'apprentissage automatique. Vous apprendrez à aborder les problèmes de classification et vous serez initié au pipeline de modèle de classification typique.

Une fois que vous aurez compris le pipeline du modèle de classification, vous apprendrez comment commencer les premières étapes de la collecte de données. Enfin, vous apprendrez des conseils pratiques sur la façon de gérer la collecte de données et des informations sur le prétraitement pour un modèle de classification.

Ce que vous allez apprendre

Distinguer la classification de la prédiction et comment la classification s'intègre dans le domaine plus large de l'apprentissage automatique
Reconnaître les concepts de base de la classification dans l'apprentissage automatique supervisé
Appliquer le pipeline de modèles de classification typique pour aborder les problèmes de classification
Commencer les étapes initiales de collecte de données pour un modèle de classification
Gérer la collecte de données et prétraiter les données pour un modèle de classification

Points clés à retenir

La modélisation de classification se situe dans l'espace de problèmes de l'apprentissage automatique supervisé.
La classification et la prédiction sont distinctes, et le cours enseigne comment les différencier.
Un modèle de classification typique suit un pipeline, et le comprendre vous aide à aborder les problèmes de classification.
La collecte de données et le prétraitement sont des étapes initiales importantes dans la construction d'un modèle de classification.
Le cours couvre des conseils pratiques pour la gestion de la collecte de données pour la classification.

Foire aux questions

Que couvre ce cours ?

Il présente la modélisation de la classification et son espace de problèmes dans l'apprentissage automatique supervisé, y compris la différence entre la classification et la prédiction, la façon dont la classification s'intègre dans le domaine plus large de l'apprentissage automatique, le pipeline typique de modèles de classification et les étapes initiales de la collecte et du prétraitement des données.

Quelles leçons sont incluses ?

Les leçons sont l'Apprentissage automatique supervisé, Concepts de classification de base, Classification contre Prédiction, Le pipeline du modèle de classification, Collecte de données et Prétraitement des données.

Quelles compétences vais-je acquérir ?

Vous développerez des compétences en classification de données, apprentissage automatique, entraînement de modèles d'apprentissage automatique, surveillance et évaluation de modèles d'apprentissage automatique, classification statistique et apprentissage supervisé.

Le cours explique-t-il la différence entre la classification et la prédiction ?

Oui. Le cours explique comment apprendre et reconnaître la différence entre la classification et la prédiction et comment la modélisation de la classification s'intègre dans le domaine plus vaste de l'apprentissage automatique.

Le cours aborde-t-il la collecte et le prétraitement des données ?

Oui. Après avoir couvert le pipeline de modèle de classification, il enseigne les étapes initiales de la collecte de données, ainsi que des conseils pratiques sur la gestion de la collecte de données et des informations sur le prétraitement pour un modèle de classification.