Conférence de Londres sur le machine Learning

Les développements actuels en matière de sécurité contre la fraude, les astuces concernant les marchandises dans la vente au détail en ligne, les performances de transport et de meilleurs diagnostics de soins de santé font partie des innombrables méthodes que le programme de logiciel d’apprentissage par unité met en place une différence dans notre vie aujourd’hui. Néanmoins, il existe à la base plusieurs types d’apprentissage du matériel, ainsi qu’une variété de techniques et de façons spécifiques de les utiliser. Dans cette directive, nous allons décomposer deux des types les plus fréquents – la compréhension supervisée et non supervisée – et parler de leurs différences en utilisant des éléments visuels agréables et des circonstances réelles dans la communauté. Avant de plonger dans le vif du sujet des méthodes supervisées et découvertes non supervisées, examinons et comparons d’abord leurs distinctions. En ce qui concerne les études supervisées, il existe une «réalité fondamentale», ce qui signifie fondamentalement que nous savons déjà exactement quelles doivent être les valeurs de la production. Les vérités au sol sont des présomptions de la planète sur les objets que nous connaissons tous. Par exemple, les canines sont des canines et les chats domestiques sont des chats domestiques. C’est peut-être une simplification exagérée, mais il convient de le noter puisque nous avons été éduqués au cours de notre mode de vie et que les machines doivent aussi être expliquées. Par conséquent, l’objectif de l’apprentissage surveillé. Dans votre exemple, nous verrons comment une unité peut être qualifiée pour identifier des chiens à partir de chat. Nous pouvons voir comment les balises sont appliquées aux détails des instructions pour fournir un contexte aux critères d’algorithme de compréhension de votre unité. Gardez à l’esprit, l’équipement ne sait pas précisément comment diviser les chatons des chiens, il comprend simplement ce qu’il a vraiment découvert jusqu’à présent. C’est pourquoi les données de coaching et les marques appropriées sont si cruciales. Si les informations sont bruyantes ou incorrectes, cela peut avoir un impact sur la compréhension de l’unité. Plus l’engagement pris dans un apprentissage contrôlé est grand, plus le résultat sera précis. Il est peu probable que le produit soit appliqué pour la première fois, il appartient donc à la personne qui se cache derrière le produit de continuer à l’affiner. Il existe de nombreuses méthodes de découverte surveillée, mais deux des très fréquemment employés de nos jours sont la catégorie et la régression. L’exemple que nous avons appliqué précédemment aux chiens critiques cités de chatons et de chats est reconnu en tant que classification.