Langage python.

Marquer 50% de précision est sûr, marquer 99% ne l’est sûrement pas.

Par facile, j’imagine que vous considérez que la plupart du travail dans un projet ML en Python est fait pour vous.

Puisque l’apprentissage automatique consiste à former les données antérieures pour faire des prédictions pertinentes, il faut toujours minimiser une erreur. Les algorithmes d’optimisation sont déjà très matures, et donc écrits en code hautement optimisé que tout le monde partage dans des projets open-source. En Python, cette partie est en effet faite pour vous.

Mais ce que ML (non corrélé avec Python) est vraiment à propos de faire des choix:

Quelle erreur minimisez-vous ?
Comment représentez-vous les variables?
Quel modèle choisissez-vous ?
Toutes ces questions trouvent la meilleure réponse par une forte intuition et compréhension à deux niveaux :

Compréhension de la physique réelle derrière le problème de ML. Par exemple, dans la prévision de la charge, comprendre que la consommation d’énergie d’un bâtiment est corrélée à la température, parce que pendant les journées chaudes, AC sera activé.
Compréhension approfondie de chaque concept mathématique manipulé au cours du processus. Que permet un Kernel Trick ? Comment puis-je trouver une structure supplémentaire dans les résidus? Pourquoi les arbres de régression ont-ils généralement une grande variabilité?
L’atteinte de la meilleure performance ne se fera que si votre expérience mathématique vous aide à intégrer votre expérience physique du problème dans le modèle. Être habile et rusé.

En conclusion, il est facile d’être le pire ingénieur Python ML au monde, mais seules les compétences et le travail acharné vous permettront d’être un joueur de premier plan