Mediaspace scheduled maintenance: Aug 25, 2026 07:00 - 12:00 AM. During this time, videos will be temporarily unavailable. Check status updates.

Séance de cours

Jeux de formation et de test

Dans cours

EE-311: Apprentissage et intelligence artificielle

Ce cours présente une vue générale des techniques d'apprentissage automatique, passant en revue les algorithmes, le formalisme théorique et les protocoles expérimentaux. ...

Description

Cette séance de cours met l'accent sur l'importance de séparer les données annotées pour la formation et le test des modèles d'apprentissage automatique. Il explique l'importance d'utiliser des ensembles de données distincts pour l'évaluation des modèles, en soulignant la nécessité d'éviter de mélanger les données de formation et de test. Linstructeur discute des concepts de formation et de tests, en soulignant le rôle essentiel de lutilisation de données étiquetées invisibles pour lévaluation du modèle. La séance de cours couvre également l'ensemble de validation et son but dans la sélection des modèles. Diverses stratégies de partitionnement des ensembles de données sont présentées, y compris des techniques de validation croisée pour assurer une évaluation impartiale du modèle. L'instructeur insiste sur la nécessité d'une séparation adéquate des données pour évaluer avec précision les performances du modèle et éviter les surajustements.

Cette vidéo est disponible exclusivement sur Mediaspace pour un public restreint. Veuillez vous connecter à Mediaspace pour y accéder si vous disposez des autorisations nécessaires.

Regarder sur Mediaspace

Enseignant·e·s (2)

François Fleuret

Michael Stefan Daniel Liebling

Source officielle

Concepts associés (15)

Jeux d'entrainement, de validation et de test

En apprentissage automatique, une tâche courante est l'étude et la construction d'algorithmes qui peuvent apprendre et faire des prédictions sur les données. De tels algorithmes fonctionnent en faisant des prédictions ou des décisions basées sur les données, en construisant un modèle mathématique à partir des données d'entrée. Ces données d'entrée utilisées pour construire le modèle sont généralement divisées en plusieurs jeux de données .

Validation croisée

La validation croisée () est, en apprentissage automatique, une méthode d’estimation de fiabilité d’un modèle fondée sur une technique d’échantillonnage. Supposons posséder un modèle statistique avec un ou plusieurs paramètres inconnus, et un ensemble de données d'apprentissage sur lequel on peut apprendre (ou « entraîner ») le modèle. Le processus d'apprentissage optimise les paramètres du modèle afin que celui-ci corresponde le mieux possible aux données d'apprentissage.

Statistical model validation

In statistics, model validation is the task of evaluating whether a chosen statistical model is appropriate or not. Oftentimes in statistical inference, inferences from models that appear to fit their data may be flukes, resulting in a misunderstanding by researchers of the actual relevance of their model. To combat this, model validation is used to test whether a statistical model can hold up to permutations in the data.

Regression validation

In statistics, regression validation is the process of deciding whether the numerical results quantifying hypothesized relationships between variables, obtained from regression analysis, are acceptable as descriptions of the data. The validation process can involve analyzing the goodness of fit of the regression, analyzing whether the regression residuals are random, and checking whether the model's predictive performance deteriorates substantially when applied to data that were not used in model estimation.

Surapprentissage

vignette|300x300px|La ligne verte représente un modèle surappris et la ligne noire représente un modèle régulier. La ligne verte classifie trop parfaitement les données d'entrainement, elle généralise mal et donnera de mauvaises prévisions futures avec de nouvelles données. Le modèle vert est donc finalement moins bon que le noir. En statistique, le surapprentissage, ou sur-ajustement, ou encore surinterprétation (en anglais « overfitting »), est une analyse statistique qui correspond trop précisément à une collection particulière d'un ensemble de données.

Afficher plus

Séances de cours associées (34)

Évaluation du modèle et réglage de l'hyperparamètre

Explore l'évaluation des modèles, le réglage hyperparamétrique et les stratégies de rééchantillonnage dans l'apprentissage automatique.

Algorithmes ML non linéaires

Introduit des algorithmes ML non linéaires, couvrant le voisin le plus proche, k-NN, ajustement des courbes polynômes, complexité du modèle, surajustement, et régularisation.

Tests de prédiction MOOC: Introduction aux modèles de choix discrets

Explore la validation hors échantillon et la méthodologie de validation croisée pour tester des modèles prédictifs.

Suréquipement, validation croisée et régularisation

Explore le surajustement, la validation croisée et la régularisation dans l'apprentissage automatique, en mettant l'accent sur la complexité du modèle et l'importance de la force de régularisation.

Sélection du modèle : Généralisation et Validation

Explore la généralisation, la sélection des modèles et la validation dans l'apprentissage automatique, en soulignant l'importance de l'évaluation impartiale des modèles.

Afficher plus

Concepts associés (15)

Jeux d'entrainement, de validation et de test

Validation croisée

Statistical model validation

Regression validation

Surapprentissage

Afficher plus