Hva er ML
For å følge koden i dette kurset, er det nyttig å ha fullført følgende kurs først, med mindre disse temaene allerede er kjent:
Maskinlæring (ML) er en tilnærming til programmering der datamaskiner lærer fra data for å løse en oppgave, i stedet for å få eksplisitte instruksjoner.
Vurder eksempelet med en spam/ham (ikke spam) klassifiserer.
Å bygge et slikt system med en tradisjonell programmeringstilnærming (uten ML) er vanskelig, da det krever å skrive eksplisitte regler, til og med manuelt kompilere en liste over spamord.
Med maskinlæring trenes modellen på mange eksempler av spam og ham e-poster og lærer å gjenkjenne mønstrene på egen hånd.
Dataene som brukes til trening kalles treningssettet. I dette tilfellet består det av e-poster som allerede er merket som spam eller ham, noe som gjør det mulig for modellen å fange opp egenskapene til begge kategoriene.
Etter trening evalueres modellen ved hjelp av et testsett – en egen samling av merkede e-poster. Dette steget sjekker hvor godt modellen generaliserer til nye, ukjente data.
Takk for tilbakemeldingene dine!
Spør AI
Spør AI
Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår
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 3.13Hva er ML
Sveip for å vise menyen
For å følge koden i dette kurset, er det nyttig å ha fullført følgende kurs først, med mindre disse temaene allerede er kjent:
Maskinlæring (ML) er en tilnærming til programmering der datamaskiner lærer fra data for å løse en oppgave, i stedet for å få eksplisitte instruksjoner.
Vurder eksempelet med en spam/ham (ikke spam) klassifiserer.
Å bygge et slikt system med en tradisjonell programmeringstilnærming (uten ML) er vanskelig, da det krever å skrive eksplisitte regler, til og med manuelt kompilere en liste over spamord.
Med maskinlæring trenes modellen på mange eksempler av spam og ham e-poster og lærer å gjenkjenne mønstrene på egen hånd.
Dataene som brukes til trening kalles treningssettet. I dette tilfellet består det av e-poster som allerede er merket som spam eller ham, noe som gjør det mulig for modellen å fange opp egenskapene til begge kategoriene.
Etter trening evalueres modellen ved hjelp av et testsett – en egen samling av merkede e-poster. Dette steget sjekker hvor godt modellen generaliserer til nye, ukjente data.
Takk for tilbakemeldingene dine!
