MachineLearning1
DownloadTélécharger
Actions
Vote :
ScreenshotAperçu
Informations
Catégorie :Category: nCreator TI-Nspire
Auteur Author: gadder
Type : Classeur 3.0.1
Page(s) : 1
Taille Size: 1.86 Ko KB
Mis en ligne Uploaded: 15/12/2024 - 18:05:16
Uploadeur Uploader: gadder (Profil)
Téléchargements Downloads: 2
Visibilité Visibility: Archive publique
Shortlink : http://ti-pla.net/a4407115
Type : Classeur 3.0.1
Page(s) : 1
Taille Size: 1.86 Ko KB
Mis en ligne Uploaded: 15/12/2024 - 18:05:16
Uploadeur Uploader: gadder (Profil)
Téléchargements Downloads: 2
Visibilité Visibility: Archive publique
Shortlink : http://ti-pla.net/a4407115
Description
Fichier Nspire généré sur TI-Planet.org.
Compatible OS 3.0 et ultérieurs.
<<
Machine Learning Supervisé : Introduction et Naïve Bayes Introduction au Machine Learning Supervisé Définition : Utilise des données étiquetées (x : variables d'entrée, y : sortie attendue) pour entraîner un modèle capable de prédire y pour de nouvelles données. Types : Classification : Prédire une catégorie (exemple : spam ou non-spam). Régression : Prédire une valeur continue (exemple : prix dune maison). Naïve Bayes Principe : Basé sur le théorème de Bayes : P(y|x) = P(x|y) * P(y) / P(x) On prédit la classe ayant la probabilité P(y|x) la plus élevée. Hypothèse Naïve : Les caractéristiques sont indépendantes conditionnellement à la classe y. Types : Bernoulli : Données binaires (présence ou absence dun mot). Multinomial : Fréquences ou comptages (textes). Gaussian : Variables continues (taille, poids). Exemple : Données : Présence ou absence des mots Urgent, Offre, Argent. Classe cible : Spam ou Non-Spam. Calculer P(Spam|x) et P(Non-Spam|x). Prédire la classe avec la probabilité maximale. Avantages : Simple et rapide. Performant sur les données textuelles. Limites : Hypothèse d'indépendance rarement réaliste. Moins performant avec des données corrélées. A retenir : Différence Classification et Régression. Savoir appliquer le théorème de Bayes. Comprendre les types de Naïve Bayes et leur application. Made with nCreator - tiplanet.org
>>
Compatible OS 3.0 et ultérieurs.
<<
Machine Learning Supervisé : Introduction et Naïve Bayes Introduction au Machine Learning Supervisé Définition : Utilise des données étiquetées (x : variables d'entrée, y : sortie attendue) pour entraîner un modèle capable de prédire y pour de nouvelles données. Types : Classification : Prédire une catégorie (exemple : spam ou non-spam). Régression : Prédire une valeur continue (exemple : prix dune maison). Naïve Bayes Principe : Basé sur le théorème de Bayes : P(y|x) = P(x|y) * P(y) / P(x) On prédit la classe ayant la probabilité P(y|x) la plus élevée. Hypothèse Naïve : Les caractéristiques sont indépendantes conditionnellement à la classe y. Types : Bernoulli : Données binaires (présence ou absence dun mot). Multinomial : Fréquences ou comptages (textes). Gaussian : Variables continues (taille, poids). Exemple : Données : Présence ou absence des mots Urgent, Offre, Argent. Classe cible : Spam ou Non-Spam. Calculer P(Spam|x) et P(Non-Spam|x). Prédire la classe avec la probabilité maximale. Avantages : Simple et rapide. Performant sur les données textuelles. Limites : Hypothèse d'indépendance rarement réaliste. Moins performant avec des données corrélées. A retenir : Différence Classification et Régression. Savoir appliquer le théorème de Bayes. Comprendre les types de Naïve Bayes et leur application. Made with nCreator - tiplanet.org
>>
