Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

Machine learning process Machine learning process CComprendre les données ? Connaitre les données ? Regardez les statistiques et visualisations récapitulatives ? Les corrélations peuvent indiquer des relations solides ? Visualiser les données ? Nettoyer l

Machine learning process CComprendre les données ? Connaitre les données ? Regardez les statistiques et visualisations récapitulatives ? Les corrélations peuvent indiquer des relations solides ? Visualiser les données ? Nettoyer les données ? Traiter la valeur manquante Les données manquantes a ?ectent certains modèles plus que d'autres Même pour les modèles qui gèrent des données manquantes ils peuvent y être sensibles les données manquantes pour certaines variables peuvent entra? ner de mauvaises prédictions ? Les données doivent-elles être agrégées ? Accroitre les données ? L'ingénierie des fonctionnalités consiste à passer des données brutes à des données prêtes à être modélisées ? Rendre les modèles plus faciles à interpréter par exemple binning ? Capturez des relations plus complexes par exemple NN CCatégoriser le problème ? Avec l ? Input ? Si vous avez étiqueté des données il s'agit d'un problème d'apprentissage supervisé ? Si vous avez des données non étiquetées et que vous souhaitez trouver une structure il s'agit d'un problème d'apprentissage non supervisé ? Si vous voulez optimiser une fonction objective en interagissant avec un environnement c'est un problème d'apprentissage par renforcement ? Avec l ? Output ? Si la sortie de votre modèle est un nombre c'est un problème de régression ? Si la sortie de votre modèle est une classe c'est un problème de classi ?cation ? Si la sortie de votre modèle est un ensemble de groupes d'entrée c'est un problème de clustering CComprendre les contraintes ? Quelle est votre capacité de stockage de données Selon la capacité de stockage de votre système il se peut que vous ne puissiez pas stocker des gigaoctets de modèles de classi ?cation régression ou des gigaoctets de données à regrouper C'est le cas par exemple pour les systèmes embarqués ? La prédiction doit-elle être rapide Dans les applications temps réel il est évidemment très important d'avoir une prédiction le plus rapidement possible Par exemple en conduite autonome il est important que la classi ?cation des panneaux de signalisation soit aussi rapide que possible pour éviter les accidents ? L'apprentissage doit-il être rapide Dans certaines circonstances la formation rapide des modèles est nécessaire parfois vous devez rapidement mettre à jour à la volée votre modèle avec un ensemble de données di ?érent CTrouver les algorithmes adequats ? Les facteurs ? Si le modèle répond aux objectifs commerciaux ? De combien de pré-traitement le modèle a besoin ? La précision du modèle ? À quel point le modèle est-il explicable ? La vitesse du modèle combien de temps faut-il pour construire un modèle et combien de temps le modèle prend-il pour faire des prédictions ? L'évolutivité du modèle CTrouver les algorithmes adéquats ? les critères a ?ectant le choix de l'algorithme sont la complexité du modèle ? Il s'appuie sur plus de fonctionnalités pour apprendre et prévoir par exemple en utilisant deux fonctionnalités contre dix fonctionnalités pour prédire une cible ? Il repose sur une ingénierie des fonctionnalités plus complexe par exemple en utilisant des termes polynomiaux des interactions ou des