[Débutant] 2. Récolter des données d'entrainement et de test скачать в хорошем качестве

[Débutant] 2. Récolter des données d'entrainement et de test

En machine learning, les données d'exemples remplacent le code traditionnel pour "spécifier" le comportement attendu d'un modèle. Pour garantir sa fiabilité, on sépare les données en trois ensembles : entraînement, test (pour les réglages) et validation (pour l'évaluation finale). En pratique, le processus est un cycle continu où les retours clients sur les erreurs du modèle servent à enrichir les données de validation et d'entraînement. Il ne suffit pas de regarder le score global ; il est crucial d'analyser précisément où et pourquoi le modèle échoue en utilisant des sous-ensembles de données. La performance du modèle dépend donc directement de la qualité, de la quantité et de l'analyse stratégique de ces données. 00:00:00 Apprentissage statistique et analogie avec le développement 00:03:43 Étapes initiales : Rechercher modèles et données existants 00:04:44 La collecte de données 00:05:08 L'importance de la construction du dataset 00:07:11 Exemple : Classification de styles de musique 00:10:16 Le modèle K-Nearest Neighbors (KNN) 00:12:19 Le biais des données d'entraînement 00:13:25 Le jeu de données de test (Test Set) 00:14:40 Le jeu de données de validation (Validation Set) 00:15:53 Le problème des fuites d'information de la validation 00:19:54 Le cycle de vie de la donnée en application réelle 00:22:40 Analyser les erreurs au-delà du score global 00:25:02 L'utilité des sous-ensembles de données 00:26:38 Évaluer la quantité de données nécessaire 00:30:41 Évaluer la qualité et l'impact des données 00:32:47 Conclusion