Dans ce sujet, vous obtiendrez une synthèse du workflow d'apprentissage automatique type. Cela implique un processus de bout en bout, en commençant par la détermination des sources de données et la préparation des données, pour aboutir à la livraison d'un modèle d'apprentissage automatique. Cependant, il existe de nombreuses étapes entre les deux qui seront abordées dans cette leçon. Dans l'ensemble, l'objectif d'un projet d'apprentissage automatique est de créer un modèle mathématique, de résoudre un problème donné, en utilisant des données d'entrée et en y appliquant des algorithmes d'apprentissage automatique.
Analyse du jeu de données à l'aide du jeu de données de logement en Californie
Prenons l'exemple de l'ensemble de données sur le logement en Californie, qui inclut diverses fonctionnalités telles que "Âge médian de la maison", "Nombre moyen de pièces par ménage", "Nombre moyen de chambres par ménage" et "Valeur médiane de la maison", entre autres.
L'accent est principalement mis sur la 'valeur de maison médiane' pour les districts de Californie, qui sert de 'caractéristique cible'. Cela indique le résultat que vous visez à prédire ou à comprendre. Ce scénario représente un problème d'apprentissage supervisé, dans lequel le modèle apprend à prédire la valeur interne médiane en fonction des données historiques.
d'application
En tant qu'experts en mégadonnées et développeurs, vous devez déjà connaître les quatre étapes du workflow d'apprentissage automatique. Examinons à nouveau ces étapes génériques, comme illustré dans le diagramme, avant de les explorer en détail à l'aide de l'exemple de jeu de données de logements en Californie.
Étape 1 : Extraction de données - Cette étape implique de sélectionner soigneusement les fonctionnalités pertinentes et de structurer le jeu de données à des fins d'analyse.
Étape 2 : Partition de l'ensemble de données - LE jeu de données est divisé en zones d'entraînement et de test distinctes, sous forme de sous-ensembles pour faciliter l'entraînement et l'évaluation efficaces du modèle.
Étape 3 : entraîner un modèle d'apprentissage automatique - Au cours de cette étape, l'ensemble de données d'entraînement soigneusement préparé est inséré dans un algorithme d'apprentissage automatique pour fournir un modèle entraîné.
Étape 4 : Évaluation du modèle - Le rendement du modèle est évalué. Si les résultats souhaités ne sont pas atteints, le modèle est ajusté de manière itérative et le processus d'entraînement est répété jusqu'à ce que des résultats satisfaisants soient atteints.
d'application
Regardez la vidéo suivante qui décrit en détail les étapes du workflow d'apprentissage automatique.