Que sont les entrées et les sorties ?
L’objectif de l’entraînement est d’améliorer un modèle pour qu’il faire des estimations ou des prédictions de haute qualité. Une fois l’apprentissage effectué, vous pouvez utiliser un modèle dans le monde réel comme un logiciel normal.
Les modèles n’effectuent pas leur apprentissage eux-mêmes. L’apprentissage s’effectue avec des données et deux éléments de code : la fonction objectif et l’optimiseur. Voyons comment ces composants fonctionnent ensemble pour entraîner un modèle à bien fonctionner.
L’objectif
L’objectif est ce que nous voulons que le modèle soit capable de faire. Par exemple, l’objectif de notre scénario est de pouvoir estimer la taille de chaussures d’un chien en fonction de sa taille de harnais.
Pour qu’un ordinateur comprenne notre objectif, nous devons le fournir sous forme d’extrait de code appelé fonction objectif (ou fonction de coût). Les fonctions objectif déterminent si le modèle fait du bon travail (en estimant bien la taille de chaussures) ou un mauvais travail (en estimant mal la taille de chaussures). Nous aborderons les fonctions objectifs plus en détail dans un prochain support de formation.
Les données
Les données font référence aux informations que nous fournissons au modèle (également appelées entrées). Dans notre scénario, l’entrée est la taille du harnais.
Les données font également référence à des informations dont la fonction objectif peut avoir besoin. Par exemple, si notre fonction objectif indique si le modèle a deviné correctement la taille de bottes, il doit connaître la taille de bottes appropriée ! C’est pourquoi, dans l’exercice précédent, nous avons fourni à la fois des tailles de harnais et les réponses correctes au code d’entraînement.
Nous allons travailler avec les données dans l’exercice suivant.
L’optimiseur
Au cours de l’apprentissage, le modèle effectue une prédiction et la fonction objectif calcule la qualité de cette prédiction. L’optimiseur est du code qui modifie ainsi les paramètres du modèle pour que le modèle produise un meilleur résultat la fois d’après.
La façon dont un optimiseur ajuste les paramètres est complexe. Nous l’aborderons dans de prochains supports de formation. Mais ne soyez pas intimidé : nous n’écrivons généralement pas nos propres optimiseurs. Nous utilisons des frameworks open source où le travail laborieux a été fait pour nous.
Il est important de garder à l’esprit que l’objectif, les données et l’optimiseur constituent simplement un moyen d’entraîner le modèle. Ils ne sont plus nécessaires une fois l’entraînement effectué. Il est également important de se rappeler que l’apprentissage modifie les valeurs des paramètres seulement au sein d’un modèle. Il ne change pas le type de modèle utilisé.