Apprentissage automatique — définition ?
Modèles qui apprennent à partir de données sans programmation explicite.
Modèle prédictif — rôle ?
Faire des prédictions ou classifications sur de nouvelles données.
Données d'entraînement — utilisation ?
Pour ajuster ou apprendre le modèle.
Généralisation — importance ?
Performances sur données non vues durant l'entraînement.
Surapprentissage — conséquence ?
Modèle trop ajusté aux données d'entraînement, mauvaise généralisation.
Nettoyage des données — objectif ?
Améliorer la qualité des données avant modélisation.
Feature engineering — but ?
Optimiser la performance du modèle par création ou sélection de variables.
Normalisation — but ?
Rendre les données comparables en ajustant leur échelle.
Régression linéaire — modélisation ?
Relation entre variables indépendantes et dépendante continue.
Erreur quadratique moyenne — rôle ?
Mesurer la performance du modèle en minimisant l'écart.
Testez vos connaissances avec un QCM de 5 questions sur Introduction à l'apprentissage automatique.
1. Qu'est-ce que le nettoyage des données dans le cadre de la préparation et de l’analyse des données ?
2. En quoi la régression supervisée diffère-t-elle de la classification supervisée ?
Révisez le cours complet dans la fiche de révision de Introduction à l'apprentissage automatique.
Voir la fiche →Intelligence Artificielle
Bases de données
Bases de données
Bases de données
Importe ton cours et l'IA génère des flashcards en 30 secondes.
Générateur de flashcards