Exploration du processus de formation en apprentissage automatique Ppt

Diapositive 1

Cette diapositive répertorie sept étapes clés qui rendent l'objectif d'intégration d'ordinateurs intelligents relativement simple, de la collecte de données à la réalisation de prédictions.

Diapositive 2

Cette diapositive décrit la première étape de Machine Learning : Collecte de données. Les machines commencent par apprendre à partir des données que vous leur fournissez. Il est essentiel d'obtenir des données fiables pour identifier les modèles corrects pour votre modèle d'apprentissage automatique. Assurez-vous d'utiliser des données provenant d'une source fiable, car cela aura un impact direct sur la sortie de votre modèle. Les bonnes données sont significatives, comportent peu de nombres manquants ou en double et représentent avec précision les sous-catégories/classes disponibles.

Diapositive 3

Cette diapositive répertorie les principaux points impliqués dans la préparation des données. Commencez par rassembler toutes vos données et les randomiser, en vous assurant que les données sont dispersées uniformément et que l'ordre n'interfère pas avec le processus d'apprentissage. Séparer les données nettoyées en deux ensembles, un pour la formation et un pour les tests. L'ensemble de formation est l'ensemble à partir duquel votre modèle apprend, et un ensemble de test est utilisé pour évaluer l'exactitude de votre modèle après qu'il a été formé.

Diapositive 4

Cette diapositive montre qu'un modèle d'apprentissage automatique résulte de l'exécution d'un algorithme d'apprentissage automatique sur les données acquises. Il est essentiel de sélectionner un modèle adapté au travail à accomplir. Les scientifiques et les ingénieurs ont créé des modèles adaptés à des tâches telles que la reconnaissance vocale, la reconnaissance d'images, la prédiction, etc.

Diapositive 5

Cette diapositive indique que la phase la plus critique de l'apprentissage automatique est la formation. Pendant la formation, vous fournissez les données préparées à votre modèle Machine Learning, qui recherche des modèles et fait des prédictions.

Diapositive 6

Cette diapositive donne un aperçu de l'évaluation du modèle. Après avoir formé votre modèle, vous voudrez voir comment il se comporte. Ceci est accompli en évaluant les performances du modèle avec des données inconnues. Si les tests sont effectués sur les mêmes données que celles utilisées pour la formation, vous obtiendrez un niveau de précision disproportionné. Le programme, dans ce cas, est déjà familiarisé avec les données et voit les mêmes schémas qu'auparavant.

Diapositive 7

Cette diapositive répertorie les étapes impliquées dans le réglage des paramètres. Après avoir construit et testé votre modèle, vérifiez si vous pouvez améliorer sa précision. Ceci est accompli en affinant les paramètres de votre modèle. Les paramètres sont les variables du modèle qui sont généralement déterminées par le programmeur. La précision sera la plus élevée à une valeur de paramètre particulière, et la recherche de ces paramètres est appelée ajustement des paramètres.

Diapositive 8

Cette diapositive donne un aperçu de la prédiction. La prédiction fait référence au résultat d'un algorithme après qu'il a été formé sur un ensemble de données précédent et appliqué à de nouvelles données tout en anticipant la probabilité d'un résultat particulier, par exemple si un client se désabonnerait ou non dans 30 jours.