Comment une machine apprend
Supervisé, métriques, pièges de données.
Table des matières
Idée centrale
On montre des exemples. Le modèle ajuste des paramètres. On mesure hors entraînement.
Sans mesure honnête, la démo ment.
Supervisé en une phrase
Entrées + labels connus. Le modèle apprend à prédire le label.
Spam / non-spam. Fraude / non-fraude. Panne / OK.
Métrique = décision
Exactitude globale trompe sur les classes rares.
Choisissez une métrique alignée sur le coût métier.
Gélez un jeu de testjeu de testIAPartie des données réservée à l'évaluation finale, à n'utiliser qu'une seule fois. Ajuster le modèle d'après ses résultats sur ce jeu lui ôte toute valeur de mesure indépendante.Voir dans le glossaire. Ne le « regardez » pas à chaque essai.
Fuite et biais
Fuite : une info du futur dans les features.
BiaisbiaisIARégularité correctement apprise dans des données qui ne représentent pas la réalité visée, ou qui enregistrent des décisions passées avec leurs préjugés. Changer d'algorithme ne le corrige pas.Voir dans le glossaire : l’échantillon ne représente pas la production.
Les deux font de beaux scores… puis des échecs terrain.
L'essentiel à retenir
Apprendre = exemples, paramètres, mesure hors entraînement. Métrique métier, test gelé, vigilance fuite/biais.
Questions fréquentes
Faut-il toujours du deep learning ?
Pourquoi mon score chute en production ?
Qu’est-ce qu’un label ?
Progression sauvegardée dans votre navigateur.
Quiz de validation
Quiz Player
Quiz de validation
Plusieurs réponses possibles — validez ensuite.
Vrai ou faux.
Quiz indisponible (données invalides).