Estimation du temps de lecture : 2 procès-verbal
Si vous voulez découvrir l'apprentissage supervisé ou non supervisé, vous pouvez vous arrêter ici pour voir ce que vous pouvez apprendre sur l'élargissement de vos connaissances en sciences des données.
Dans cette vidéo, vous serez guidé à travers les étapes pour décider de la manière d'aborder ce sujet, d'analyser vos données par essais et erreurs, ce qui vous donnera une expérience d'apprentissage approfondie.
Cette zone est divisée en deux :
(A) Lorsque le modèle est construit autour de ce que le modélisateur souhaite, sur la base des données d'entrée qu'il juge les plus appropriées, on peut parler d'apprentissage machine supervisé.
(B) D'autre part, l'apprentissage automatique non supervisé examine la relation entre les points de données et la façon dont cette relation explique ce que ces données ou cette catégorie ou ce groupe de données vous disent.
La différence entre les deux semble combler l'écart autour des problèmes de régression, et l'utilisation des données étiquetées ne permet pas toujours de dire la vérité, car les points de données des données étiquetées ne présentent pas toujours le même schéma.
Ce sera une excellente base de travail si vous voulez continuer à apprendre sur la classification, les moyennes k, la régression linéaire ou la régression logistique. Une partie de la discussion porte sur le clustering et sur la manière dont cela peut influencer le modèle que vous construisez.
Notre section sur le modèle d'apprentissage supervisé de la vidéo ci-dessous vous montre comment vous identifieriez si un ensemble de données était adapté à un modèle d'apprentissage, et quel rôle l'itération du processus permet de jouer pour aider à établir des prévisions pour l'avenir.