La régularisation est un domaine souvent oublié (ou peu connu) dans l’optimisation des modèles du machine learning. Son objectif est d’éviter le sur apprentissage du modèle afin de s’assurer que celui-ci puisse se généraliser sur de nouvelles données.

Lors d’un meetup, nous avons présenté la notion de la régularisation à travers le points suivants :

• Overfitting et Underfitting ?
• La régularisation appliquée au machine learning :
  • La regression ridge L2
  • La régression Lasso L1
  • La régression Elastic Net
• La régularisation appliquée au deep learning:
  • L1 et L2
  • Le drop out
  • La data augmentation
  • L’early stopping

Retrouvez la vidéo de cet événement ci dessous et n’hésitez pas à nous faire part de vos questions et remarques.

Si vous souhaitez obtenir les jeux de données, la présentation et les différents cas pratiques n’hésitez pas à nous en faire la demande !