Les développements contemporains dans la défense anti-escroquerie, les suggestions de marchandises dans la vente au détail en ligne, l’efficacité des transports et l’augmentation du nombre de diagnostics liés à la santé sont quelques-unes des innombrables approches que les logiciels de compréhension d’unités font actuellement dans notre vie quotidienne. Même dans ce cas, il existe en réalité plusieurs types d’apprentissage automatique, ainsi qu’un assortiment de règles et d’approches spécifiques permettant de les utiliser. Avec ce manuel, nous allons désintégrer deux des types les plus courants – les études supervisées et non supervisées – et examiner leurs différences en utilisant des éléments visuels agréables et les conditions réelles de la communauté. Avant de plonger dans les détails de la façon dont la compréhension surveillée et non supervisée fonctionne, commençons par comparer et contraster leurs variations. En ce qui concerne la compréhension surveillée, vous trouverez une «vérité sur le terrain», ce qui signifie généralement que nous avons peut-être appris quelles sont les croyances relatives à la production. Les vérités du terrain sont des présomptions du monde réel sur ce que nous savons tous. Par exemple, les chiens sont des chiens de compagnie et les chats sont des chats. Cela peut être une simplification excessive, mais il convient de le noter, puisque nous avions été éduqués tôt ou tard dans notre vie quotidienne et que les modèles devaient l’être également. D’où l’objectif d’étudier sous surveillance. Dans notre exemple, nous verrons comment un équipement peut être qualifié pour identifier les chiens de chatons et de chats. Nous verrons ci-dessous comment les marques sont utilisées dans les données de formation pour fournir un cadre aux critères d’algorithme d’étude des unités. Rappelez-vous que l’appareil ne sait pas particulièrement comment diviser les chats des chiens, il comprend simplement ce qu’il a réellement compris jusqu’à présent. C’est pourquoi les informations d’entraînement et un étiquetage approprié sont si importants. Si les données sont bruyantes ou inappropriées, cela peut avoir un impact sur le niveau de découverte de l’équipement. Plus l’engagement sera dédié à l’apprentissage contrôlé, plus grand sera le nombre de résultats. Il est peu probable que la version soit localisée dès la première fois. C’est donc à peu près la personne associée à la version qui continuera à l’améliorer. Il existe de nombreuses façons de comprendre la compréhension, mais deux des méthodes les plus fréquemment appliquées aujourd’hui sont la catégorie et la régression. L’exemple que nous avons utilisé ci-dessus pour les chiots critiques de chatons est appelé catégorie.
