Apprentissage automatique
Laisser les programmes déduire les règles des données au lieu de les coder en dur
OVERVIEW
- Tous les concepts
- 6
- Débutant
- 2
- Intermédiaire
- 3
- Expert
- 1
Machine learning compresses into a single sentence: given a set of samples, find a function that still works on new ones. Around that sentence grow the divide between supervised and unsupervised learning, the tug-of-war between overfitting and regularisation, and the methodology of measuring — honestly — whether it works at all.
Les questions auxquelles ce domaine répond
- Q1
What separates “memorising” from “learning”?
- Q2
Why does a model that aces training fail in production?
- Q3
What can unlabelled data still be used for?
Entrées de ce domaine
- 01Apprentissage superviséDébutantDes paires question-réponse apprennent au modèle à répondre seul
- 02Apprentissage non superviséDébutantSans réponses, la structure doit émerger des données elles-mêmes — et il faut redéfinir ce qui est « bon »
- 03Fonctions de perteIntermédiaireLa fonction de perte définit ce que vous pénalisez — la changer change toute votre notion du juste et du faux
- 04Surapprentissage et régularisationIntermédiaireLe modèle apprend les données d’entraînement par cœur, puis échoue sur toute donnée nouvelle
- 05Évaluation de modèle et validation croiséeIntermédiaireL’exactitude est la métrique la plus trompeuse — une évaluation erronée fait tout s’effondrer
- 06Compromis biais-varianceExpertChaque erreur de prédiction se décompose en trois : un modèle trop simple, un modèle trop instable, et le hasard du monde lui-même