Флашкарти: Introduction à l'Apprentissage Supervisé — 22 карти

Apprentissage supervisé — définition ?

Méthode où la fonction est apprise à partir de données étiquetées.

Données étiquetées — rôle ?

Fournissent la supervision pour entraîner le modèle.

Problème de classification — Y ?

Y est un ensemble fini de classes ou catégories.

Problème de régression — Y ?

Y est un ensemble de valeurs réelles continues.

Hyper paramètres — rôle ?

Fixés par le concepteur, ils configurent le modèle.

Paramètres appris — définition ?

Paramètres ajustés lors de l’apprentissage pour minimiser l’erreur.

Validation du modèle — étape ?

Évaluer convergence, performance et généralisation.

Généralisation — signification ?

Capacité à bien prédire sur de nouvelles données.

Surapprentissage — phénomène ?

Modèle trop ajusté aux données d’entraînement, mauvaise généralisation.

Validation croisée — principe ?

Partitionner plusieurs fois pour évaluer stabilité et performance.

Courbe d’apprentissage — rôle ?

Visualise la performance en fonction du nombre de données.

Critères de performance — exemples ?

MAE, MSE, accuracy, matrice de confusion.

Données d’entraînement — étape clé ?

Préparer et séparer pour apprendre et évaluer.

Problème de classification — sortie ?

Une classe ou catégorie parmi un ensemble fini.

Problème de régression — sortie ?

Une valeur réelle continue à prédire.

Hyper paramètres — exemples ?

Nombre de couches, fonction d’activation, architecture.

Paramètres appris — exemple ?

Poids d’un réseau de neurones.

Validation du modèle — objectif ?

Vérifier convergence et capacité de généralisation.

Généralisation — importance ?

Permet de prédire efficacement sur de nouvelles données.

Surapprentissage — conséquence ?

Perte de performance sur données non vues.

Validation croisée — avantage ?

Estimer la stabilité et éviter le surapprentissage.

Courbe d’apprentissage — indicateur ?

Plateau indique saturation, croissance indique potentiel d’amélioration.