Introduction
Ce module explore un processus appelé apprentissage supervisé, dans lequel des modèles Machine Learning apprennent à partir d’exemples.
En comprenant l’apprentissage supervisé, nous commençons à explorer en détail les différents composants du processus d’apprentissage et à découvrir précisément comment ce processus peut améliorer un modèle. À travers des exemples, nous découvrons également pourquoi une configuration correcte de ce processus d’apprentissage est essentielle pour obtenir un modèle hautement performant.
Tout au long de ce module, nous utilisons le scénario suivant pour expliquer le processus d’apprentissage supervisé. Ce scénario fournit un exemple de la façon dont vous pouvez vous conformer à ces concepts lors de la programmation.
Votre famille gère depuis plusieurs générations la ferme d’élevage d’élans la plus ancienne de l’état de Washington, mais la santé de votre troupeau s’est lentement dégradée au fil des décennies. Il est notoire que le troupeau d’élans de votre ferme ne doivent pas être alimentés en grains quand la température moyenne nocturne est supérieure à 0°C (32°F). Pour cette raison, vous avez toujours suivi le calendrier d’élevage de votre grand-père et vous passez à la nourriture céréalière après le 31 janvier.
Vous avez récemment appris que le changement climatique affecte les pratiques agricoles. Ce changement pourrait-il expliquer la mauvaise santé des élans au cours des dernières années ? Avec des données météorologiques historiques de votre côté, vous cherchez à déterminer si les températures locales ont changé depuis l’époque de votre grand-père et si vous devez mettre à jour votre calendrier d’élevage.
Prérequis
Vous devez avoir une connaissance de base des entrées, des sorties et des modèles.
Objectifs d’apprentissage
Dans ce module, vous allez :
- Définir l’apprentissage supervisé et non supervisé.
- Explorer comment les fonctions de coût impactent le processus d’entraînement.
- Découvrez comment optimiser les modèles en utilisant la descente de gradient.
- Expérimenter des taux d’apprentissage et voir leur impact possible sur l’entraînement.