Hvad er ML
For at følge koden i dette kursus, er det nyttigt først at gennemføre følgende kurser, medmindre disse emner allerede er kendte:
Maskinlæring (ML) er en tilgang til programmering, hvor computere lærer af data for at løse en opgave i stedet for at få eksplicitte instruktioner.
Overvej eksemplet med en spam/ham (ikke spam) klassifikator.
At opbygge et sådant system med en traditionel programmeringstilgang (uden ML) er vanskeligt, da det kræver at skrive eksplicitte regler, endda manuelt udarbejde en liste over spamord.
Med maskinlæring trænes modellen på mange eksempler på spam og ham-mails og lærer selv at genkende de karakteristiske mønstre.
De data, der leveres til træning, kaldes træningssættet. I dette tilfælde består det af e-mails, der allerede er mærket som spam eller ham, hvilket gør det muligt for modellen at opfange karakteristika for begge kategorier.
Efter træning evalueres modellen ved hjælp af et test-sæt – en separat samling af mærkede e-mails. Dette trin kontrollerer, hvor godt modellen generaliserer til nye, usete data.
Tak for dine kommentarer!
Spørg AI
Spørg AI
Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat
Can you explain more about how the training and test sets are created?
What are some common features used to classify emails as spam or ham?
How does the model actually learn to distinguish between spam and ham?
Awesome!
Completion rate improved to 3.13Hvad er ML
Stryg for at vise menuen
For at følge koden i dette kursus, er det nyttigt først at gennemføre følgende kurser, medmindre disse emner allerede er kendte:
Maskinlæring (ML) er en tilgang til programmering, hvor computere lærer af data for at løse en opgave i stedet for at få eksplicitte instruktioner.
Overvej eksemplet med en spam/ham (ikke spam) klassifikator.
At opbygge et sådant system med en traditionel programmeringstilgang (uden ML) er vanskeligt, da det kræver at skrive eksplicitte regler, endda manuelt udarbejde en liste over spamord.
Med maskinlæring trænes modellen på mange eksempler på spam og ham-mails og lærer selv at genkende de karakteristiske mønstre.
De data, der leveres til træning, kaldes træningssættet. I dette tilfælde består det af e-mails, der allerede er mærket som spam eller ham, hvilket gør det muligt for modellen at opfange karakteristika for begge kategorier.
Efter træning evalueres modellen ved hjælp af et test-sæt – en separat samling af mærkede e-mails. Dette trin kontrollerer, hvor godt modellen generaliserer til nye, usete data.
Tak for dine kommentarer!
