Au cours des dernières semaines, nous avons abordé la descente de gradient et les réseaux de neurones, et vous avez appris les bases de l'écriture d'un algorithme d'apprentissage automatique. Cette semaine, nous allons aller un peu plus loin : comment faire en sorte que nos réseaux se généralisent à de nouveaux ensembles de données ? Nous allons nous attaquer au phénomène délicat du surapprentissage, qui se produit lorsque votre modèle mémorise vos entrées et échoue sur de nouveaux exemples. Rejoignez-nous et découvrez une variété de techniques conçues pour réduire le surapprentissage et augmenter la précision globale de vos algorithmes.