Testez vos connaissances

Les questions suivantes vous aideront à mieux maîtriser les concepts de base du ML.

Puissance prédictive

Les modèles de ML supervisés sont entraînés à l'aide d'ensembles de données comportant des exemples étiquetés. Le modèle apprend à prédire l'étiquette à partir des caractéristiques. Cependant, toutes les caractéristiques d'un ensemble de données n'ont pas de pouvoir prédictif. Dans certains cas, seules quelques caractéristiques servent de prédicteurs de l'étiquette. Dans l'ensemble de données ci-dessous, utilisez le prix comme libellé et les autres colonnes comme caractéristiques.

Exemple d'attributs d'automobiles avec libellés.

Quelles sont les trois caractéristiques qui sont probablement les plus prédictives du prix d'une voiture ?
Miles, gearbox, make_model.
Tire_size, wheel_base, year.
Make_model, year, miles.
Couleur, hauteur, make_model.

L'apprentissage supervisé et non supervisé

En fonction du problème, vous utiliserez une approche supervisée ou non supervisée. Par exemple, si vous connaissez à l'avance la valeur ou la catégorie que vous souhaitez prédire, vous utiliserez l'apprentissage supervisé. Toutefois, si vous souhaitez savoir si votre ensemble de données contient des segmentations ou des regroupements d'exemples associés, vous devez utiliser l'apprentissage non supervisé.

Supposons que vous disposiez d'un ensemble de données sur les utilisateurs d'un site Web d'achat en ligne, qui contenait les colonnes suivantes:

Image d'une ligne d'attributs client.

Si vous souhaitez comprendre les types d'utilisateurs qui visitent le site, utiliseriez-vous l'apprentissage supervisé ou non supervisé ?
L'apprentissage supervisé, car j'essaie de prédire à quelle classe un utilisateur appartient.
Apprentissage non supervisé

Supposons que vous disposiez d'un ensemble de données sur la consommation d'énergie des foyers avec les colonnes suivantes:

Image d'une ligne d'attributs de maison.

Quel type de ML utiliseriez-vous pour prédire les kilowattheures consommés par an pour une maison nouvellement construite ?
Apprentissage non supervisé
Apprentissage supervisé

Supposons que vous disposiez d'un ensemble de données de vols avec les colonnes suivantes:

Image d'une ligne de données de vol.

Si vous souhaitiez prédire le coût d'un billet de bus, utiliseriez-vous la régression ou la classification ?
Classification
Régression
Sur la base de l'ensemble de données, pourriez-vous entraîner un modèle de classification afin de classer le coût d'un billet de bus en "élevé", "moyen" ou "faible" ?
Oui, mais nous devons d'abord convertir les valeurs numériques de la colonne coach_ticket_cost en valeurs catégorielles.
Non. Les modèles de classification ne prédisent que deux catégories, comme spam ou not_spam. Ce modèle doit prédire trois catégories.
Non. Il n'est pas possible de créer un modèle de classification. Les valeurs coach_ticket_cost sont numériques et non catégorielles.

Entraînement et évaluation

Une fois un modèle entraîné, nous l'évaluons à l'aide d'un ensemble de données avec des exemples étiquetés et comparons la valeur prédite du modèle à la valeur réelle de l'étiquette.

Sélectionnez les deux meilleures réponses à la question.

Si les prédictions du modèle sont très éloignées de la réalité, que pouvez-vous faire pour les améliorer ?
Réentraîner le modèle à l'aide d'un ensemble de données plus volumineux et plus diversifié
Réentraînez le modèle, mais n'utilisez que les caractéristiques qui, selon vous, ont le plus de pouvoir prédictif pour le libellé.
Vous ne pouvez pas corriger un modèle dont les prédictions sont très éloignées de la réalité.
Essayez une autre approche d'entraînement. Par exemple, si vous avez utilisé une approche supervisée, essayez une approche non supervisée.

Vous êtes maintenant prêt à passer à l'étape suivante de votre parcours de ML:

  • Guide People + AI Si vous recherchez un ensemble de méthodes, de bonnes pratiques et d'exemples présentés par des Googleurs, des experts du secteur et des chercheurs universitaires pour utiliser le ML.

  • Cadrage du problème Si vous recherchez une approche éprouvée pour créer des modèles de ML et éviter les écueils courants,

  • Cours d'initiation au machine learning Si vous êtes prêt à suivre une approche approfondie et pratique pour en savoir plus sur le ML.