Ce qu’il ne faut pas faire avec R

Voici ce que vous ne devriez PAS faire lorsque vous commencez à étudier l’apprentissage automatique dans R.

– Soyez vraiment bon en programmation R et en syntaxe R.

– Etudier en profondeur la théorie et les paramètres sous-jacents pour les algorithmes d’apprentissage machine dans R.

– Évitez ou survoler légèrement toutes les autres tâches nécessaires à la réalisation d’un projet réel.

 

Je pense que cette approche peut fonctionner pour certaines personnes, mais c’est très long. Beaucoup de sites et de livres, vous apprennent à passer tout votre temps à apprendre à utiliser les algorithmes individuels d’apprentissage automatique.

Ils ne vous apprennent pas non plus le processus de construction de modèles prédictifs d’apprentissage automatique dans R que vous pouvez réellement utiliser pour faire des prédictions. Malheureusement, c’est l’approche utilisée pour enseigner l’apprentissage machine que je vois dans presque tous les livres et cours en ligne sur le sujet.

 

Vous devez savoir comment compléter les sous-tâches spécifiques d’un projet d’apprentissage machine sur la Plate-forme R. Une fois que vous savez comment effectuer une tâche discrète en utilisant la plate-forme et obtenir un résultat de façon fiable, vous pouvez le faire encore et encore sur vos différents projets. Commençons par un aperçu des tâches courantes dans un projet d’apprentissage automatique.

Le projet peut être divisé en 6 tâches principales :

1. Problème : Enquêter et caractériser le problème afin de mieux comprendre les objectifs du projet.

2. Analyser les données : utiliser des statistiques descriptives et une visualisation pour mieux comprendre les données.

3. Préparer les données : Utiliser les transformations de données afin de mieux exprimer le problème de prédiction à des algorithmes de modélisation.

4. Evaluer les algorithmes : Concevoir un ensemble de test pour évaluer un certain nombre d’algorithmes standard sur les données et sélectionnez les meilleurs.

5. Améliorer les résultats : Utiliser l’algorithme de tuning et les méthodes d’ensemble pour tirer le meilleur parti des algorithmes performants sur vos données.

6. Présenter les résultats : Finaliser le modèle, faire des prévisions et présenter les résultats.