Introduction
Tous les modèles ne sont pas des équations mathématiques simples qui peuvent être tracées sous forme de ligne. Au lieu de cela, il est plus facile de considérer certains modèles complexes comme des ordinogrammes ou des structures de programmation classiques. Ces modèles ont généralement des niveaux supplémentaires de personnalisation disponibles, ce qui peut les rendre plus puissants, bien qu’ils soient également plus compliqués à utiliser. Nous allons découvrir cela tout au long de ces exercices, en manipulant le mode de fonctionnement et l’apprentissage des modèles. Nous nous concentrerons sur un type de modèle, mais les principes généraux enseignés ici s’appliquent également à de nombreux autres types de modèles.
Scénario : prédiction de résultats sportifs à l’aide du Machine Learning
Tout au long de ce module, nous nous reporterons à l’exemple de scénario suivant pour illustrer les concepts relatifs à l’architecture du modèle et aux hyperparamètres. Ce scénario est conçu pour paraître complexe au début, mais au fil des exercices, nous apprendront comment vous pouvez l’aborder en adoptant une pensée et une expérimentation critiques.
La devise des Jeux olympiques est composée de trois mots latins : Citius, Altius, Fortius. Ils signifient : plus vite, plus haut, plus fort. Depuis la création de cette devise, les Jeux olympiques comptent des épreuves de plus en plus variées, notamment des épreuves de tir, de voile et des sports d’équipe. Nous aimerions découvrir le rôle que les caractéristiques physiques de base continuent de jouer dans la prédiction du vainqueur d’une médaille à l’un des événements sportifs les plus prestigieux de la planète. À cette fin, nous explorerons la gymnastique rythmique : un ajout moderne aux jeux qui combine danse, gymnastique et callisthénie. On peut s’attendre à ce que les caractéristiques de base, soit l’âge, la taille et le poids jouent un rôle limité, puisque l’agilité, la souplesse, la dextérité et la coordination sont des capacités nécessaires. Nous allons utiliser des modèles de Machine Learning plus avancés pour voir l’importance de ces facteurs de base.
Prérequis
- Connaissance des modèles Machine Learning
Objectifs d’apprentissage
Dans ce module, vous allez :
- Découvrir les nouveaux types de modèles : les arbres de décision et les forêts aléatoires.
- Découvrir comment l’architecture de modèle peut influer sur les performances.
- Vous entraîner à utiliser des hyperparamètres pour rendre l’entraînement plus efficace.