Що Таке ML
Для ефективного засвоєння коду в цьому курсі рекомендується спочатку пройти наступні курси, якщо ці теми ще не знайомі:
Машинне навчання (ML) — це підхід до програмування, за якого комп’ютери навчаються на даних для розв’язання задачі замість отримання чітких інструкцій.
Розглянемо приклад класифікатора спаму/не спаму (ham).
Створення такої системи за допомогою традиційного програмування (без ML) є складним завданням, оскільки вимагає написання явних правил, навіть ручного складання списку спам-слів.
З машинним навчанням модель навчається на багатьох прикладах спам- і не-спам-листів та самостійно виявляє відмінні закономірності.
Дані, що використовуються для навчання, називаються навчальною вибіркою. У цьому випадку вона складається з електронних листів, вже позначених як спам або не-спам, що дозволяє моделі виявити характеристики обох категорій.
Після навчання модель оцінюється за допомогою тестової вибірки — окремої колекції позначених листів. Цей етап перевіряє, наскільки добре модель узагальнює на нові, невідомі дані.
Дякуємо за ваш відгук!
Запитати АІ
Запитати АІ
Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат
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 3.13Що Таке ML
Свайпніть щоб показати меню
Для ефективного засвоєння коду в цьому курсі рекомендується спочатку пройти наступні курси, якщо ці теми ще не знайомі:
Машинне навчання (ML) — це підхід до програмування, за якого комп’ютери навчаються на даних для розв’язання задачі замість отримання чітких інструкцій.
Розглянемо приклад класифікатора спаму/не спаму (ham).
Створення такої системи за допомогою традиційного програмування (без ML) є складним завданням, оскільки вимагає написання явних правил, навіть ручного складання списку спам-слів.
З машинним навчанням модель навчається на багатьох прикладах спам- і не-спам-листів та самостійно виявляє відмінні закономірності.
Дані, що використовуються для навчання, називаються навчальною вибіркою. У цьому випадку вона складається з електронних листів, вже позначених як спам або не-спам, що дозволяє моделі виявити характеристики обох категорій.
Після навчання модель оцінюється за допомогою тестової вибірки — окремої колекції позначених листів. Цей етап перевіряє, наскільки добре модель узагальнює на нові, невідомі дані.
Дякуємо за ваш відгук!
