Principes fondamentaux de la formation en apprentissage automatique supervisé Ppt

Diapositive 1

Cette diapositive donne un aperçu de l'apprentissage supervisé, qui est l'un des types les plus élémentaires d'apprentissage automatique. Dans ce cas, l'algorithme d'apprentissage automatique est formé sur des données étiquetées. Même si les données doivent être correctement marquées pour que cette méthode fonctionne, l'apprentissage supervisé est puissant lorsqu'il est utilisé dans les bonnes situations.

Diapositive 2

Cette diapositive montre que l'analyse de régression est l'approche fondamentale utilisée dans Machine Learning pour résoudre les problèmes de régression, à l'aide de la modélisation des données. Cela implique d'établir la meilleure ligne d'ajustement, qui passe par tous les points de données tout en minimisant la distance entre la barre et chaque point de données. L'approche de régression est principalement utilisée pour identifier la force des prédicteurs, la tendance des prévisions, les séries chronologiques et, dans le cas d'une relation de cause à effet.

Diapositive 3

Cette diapositive décrit que la régression linéaire et la régression logistique sont deux approches d'analyse de régression utilisées pour résoudre les problèmes à l'aide de l'apprentissage automatique ; ce sont les approches de régression les plus populaires. Cependant, il existe de nombreux types d'approches d'analyse de régression dans l'apprentissage automatique, et leur utilisation varie en fonction de la nature des données.

Diapositive 4

Cette diapositive indique que l'analyse de régression a de nombreux types et que l'application de chaque approche dépend du nombre de composants. Ces variables incluent le type de variable cible, la forme de la droite de régression et le nombre de variables indépendantes.

Diapositive 5

Cette diapositive décrit que la régression linéaire est l'une des formes les plus fondamentales de régression dans l'apprentissage automatique. Le modèle de régression linéaire relie linéairement une variable prédictive et une variable dépendante.

Diapositive 6

Cette diapositive indique que la régression polynomiale est un type d'approche d'analyse de régression dans l'apprentissage automatique. Il est similaire à la régression linéaire multiple mais avec quelques différences. Comme estimateur, un modèle linéaire est utilisé. La méthode des moindres carrés moyens est également utilisée dans la régression polynomiale.

Diapositive 7

Cette diapositive indique que ce type de régression dans Machine Learning est utilisé lorsque les variables indépendantes ont une forte corrélation. En effet, dans les données multicolinéaires, les estimations des moindres carrés produisent des résultats non biaisés. Cependant, si la colinéarité est trop élevée, il peut y avoir une certaine valeur de biais.

Diapositive 8

Cette diapositive indique que la régression au lasso est une sorte de régression dans Machine Learning qui inclut la régularisation et la sélection de fonctionnalités. Elle interdit la taille absolue des coefficients de régression ; et par conséquent, la valeur du coefficient se rapproche de 0, ce qui n'est pas le cas avec Ridge Regression.

Diapositive 9

Cette diapositive montre que la régression bayésienne est un type de régression d'apprentissage automatique qui utilise le théorème de Bayes pour déterminer la valeur des coefficients de régression. Au lieu de calculer les moindres carrés, cette approche de régression détermine la distribution a posteriori des caractéristiques.

Diapositive 10

Cette diapositive indique que les arbres de décision sont un outil pratique et ont de nombreuses applications. Les arbres de décision peuvent être utilisés pour résoudre les problèmes de classification et de régression. Le nom indique qu'il affiche les prédictions provenant d'une série de divisions basées sur les fonctionnalités à l'aide d'une structure arborescente de type organigramme. Tout commence par un nœud racine et se termine par un choix de feuille.

Diapositive 11

Cette diapositive donne un aperçu de l'algorithme de forêt aléatoire. Une forêt aléatoire est un groupe d'arbres de décision. Chaque arbre est classé et l'arbre "vote" pour que cette classe classe un nouvel élément en fonction de ses propriétés. La forêt choisit la catégorisation avec le plus grand nombre de votes (sur tous les arbres de la forêt).

Diapositive 12

Cette diapositive donne un aperçu de la régression logistique qui est une sorte d'approche d'analyse de régression utilisée lorsque la variable dépendante est discontinue : par exemple, 0 ou 1, vrai ou faux, etc. La fonction Logit est utilisée dans la régression logistique pour évaluer le lien entre la variable cible et les variables indépendantes.

Diapositive 13

Cette diapositive montre que KNN est un algorithme simple qui conserve toutes les instances existantes et classe les nouveaux cas en fonction d'un vote majoritaire de ses k voisins.

Notes de l'instructeur :

KNN peut être compris par analogie avec la vie réelle. Par exemple, si vous voulez en savoir plus sur quelqu'un, discutez avec ses amis et ses collègues.

Considérez ce qui suit avant de vous installer sur l'algorithme des K plus proches voisins :

• KNN est coûteux à calculer et à arriver à
• Les variables doivent être normalisées, sinon des variables de plage plus grande entraîneront un biais de l'algorithme
• Les données doivent encore être prétraitées

Diapositive 14

Cette diapositive indique que Naive Bayes est une technique d'apprentissage automatique probabiliste basée sur le théorème de Bayes et est utilisée pour un large éventail de problèmes de classification. Un modèle bayésien naïf est simple à construire et fonctionne bien avec des ensembles de données volumineux. Il est simple à utiliser et surpasse même les algorithmes de classification les plus sophistiqués.

Diapositive 15

Cette diapositive montre que l'algorithme SVM est un processus de classification dans lequel les données brutes sont affichées sous forme de points dans un espace à n dimensions (n étant le nombre de fonctionnalités dont vous disposez). La valeur de chaque caractéristique est ensuite attribuée à un emplacement spécifique, ce qui simplifie la catégorisation des données. Les lignes de classification peuvent diviser les données et les tracer sur un graphique.