Bienvenue sur votre carnet de culture en Machine Learning

<aside> 🚀 **Vous travaillez avec des Data Scientists, ML Engineers ou Data Engineers ?

Et vous souhaitez mieux comprendre les notions qu’ils utilisent.

Ce guide simplifie les concepts clés du Machine Learning.** 👇

Partagez-le avec vos collègues si vous le trouvez utile. Un savoir partagé, c’est une entreprise qui avance plus vite !🙏❤️

</aside>

1. Comprendre les algorithmes simples

<aside> 💡

Objectif : Explorer les algorithmes simples pour prédire ou classifier les données.

</aside>

📊 Régression & classification linéaire

• Régression :
  • Prédire un nombre (ex. : estimer la température du lendemain en fonction des conditions météorologiques actuelles..).
  • On trace une droite pour expliquer la relation entre les données d’entrée et la sortie.

• Classification :

  • Prédire une catégorie (ex. : spam ou pas spam).
  • La méthode essaye de séparer les données dans différentes zones en fonction de leurs caractéristiques (par exemple : tracer une ligne séparant deux groupes).

  ---

✂️ SVM (Support Vector Machine)

• Une méthode pour classifier ou prédire, qui trouve la meilleure séparation possible entre deux groupes de données en maximisant la distance entre les points les plus proches et la ligne/frontière de séparation.
• Les SVM fonctionnent comme un classificateur, par exemple, pour distinguer les e-mails "spam" et "non-spam" en traçant une frontière entre eux.

🎲 Apprentissage bayésien