machine_learning

    L’apprentissage du Machine Learning

    machine_learning

    L’apprentissage automatique ou Machine Learning vous permet d’entraîner les ordinateurs à agir de manière indépendante afin que nous n’ayons pas à rédiger des instructions détaillées pour l’exécution de certaines tâches. Pour cette raison, l’apprentissage automatique apporte une grande valeur pour n’importe quel domaine, mais tout d’abord, il fonctionnera bien là où il y a la science des données.

     

    L’apprentissage  du Machine Learning est basé sur ces trois principaux groupes :

    1.L’apprentissage supervisé

    L’apprentissage supervisé est maintenant la forme la plus développée du ML. L’idée ici est que vous avez des données historiques avec une certaine notion de la variable de sortie. La Variable de sortie est destiné à reconnaître comment vous pouvez faire une bonne combinaison de plusieurs variables d’entrée et des valeurs de sortie correspondantes enregistrées dans l’historique.  Puis, en fonction de ce qui été trouvé, trouver une fonction qui est capable de prédire une sortie de donnée. Donc, l’idée clé est que les données historiques sont étiquetées. Cela signifie que vous avez une valeur de sortie spécifique pour chaque ligne de données.

    A noter, pour une variable de sortie, si la variable de sortie est discrète, elle est appelée CLASSIFICATION. Et si elle est continue, elle est appelée RÉGRESSION

    2.L’apprentissage non supervisé

    L’apprentissage non supervisé n’a pas de rôle d’ étiqueter les entrées-sorties de données historiques. Au lieu de cela, nous pouvons seulement dire qu’il a toute une série de données d’entrée, RAW INPUT DATA. Il nous permet d’identifier ce que l’on appelle les tendances dans les données d’entrée historiques et des perspectives intéressantes du point de vue global. Donc, la sortie ici est absente et tout ce que vous devez comprendre est qu’il y a un motif visible dans l’ensemble non supervisé d’entrée. La beauté de l’apprentissage non supervisé est qu’il se prête à de nombreuses combinaisons de modèles, c’est pourquoi les algorithmes non supervisés sont plus difficiles.

     

    3.L’apprentissage de renforcement

    L’apprentissage de renforcement se produit lorsque vous présentez l’algorithme avec des exemples qui manquent d’étiquettes, comme dans l’apprentissage non supervisé. Cependant, vous pouvez accompagner un exemple de rétroaction positive ou négative selon la solution proposée par l’algorithme. RL(Reinforcement learning) est connecté aux applications pour lesquelles l’algorithme doit prendre des décisions, et ces décisions ont des conséquences. Un exemple intéressant de RL se produit lorsque les ordinateurs apprennent à jouer à des jeux vidéo par eux-mêmes.

     

    Maintenant vous connaissez les bases de ML. Après cela, vous avez évidemment besoin d’en apprendre plus. Voici d’excellentes ressources à explorer à cette fin :

     

    A lire aussi:

    Tout ce que vous devez savoir sur le Data Science

    Les statistiques du Data-Scientist

    >