Kubeflow pour l'apprentissage automatique

Chapitre 7. Formation d'un modèle d'apprentissage automatique

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : [e-mail]

Au chapitre 5, nous avons appris à préparer et à nettoyer nos données, ce qui constitue la première étape du pipeline d'apprentissage automatique. Maintenant, plongeons en profondeur dans la façon d'utiliser nos données pour entraîner un modèle d'apprentissage automatique.

La formation est souvent considérée comme le "gros" du travail dans l'apprentissage automatique. Notre objectif est de créer une fonction (le "modèle") capable de prédire avec précision des résultats qu'elle n'a jamais vus auparavant. Intuitivement, la formation d'un modèle ressemble beaucoup à la façon dont les humains apprennent une nouvelle compétence : nous observons, nous pratiquons, nous corrigeons nos erreurs et nous nous améliorons progressivement. Dans l'apprentissage automatique, nous commençons par un modèle initial qui n'est peut-être pas très performant. Nous soumettons ensuite le modèle à une série d'étapes de formation, au cours desquelles des données de formation lui sont fournies. À chaque étape de la formation, nous comparons les résultats de la prédiction produite par notre modèle avec les vrais résultats, et nous voyons si notre modèle a bien fonctionné. Nous modifions ensuite les paramètres de ce modèle (par exemple, en changeant le poids accordé à chaque caractéristique) pour tenter d'améliorer la ...