Bonne réponse
Explication
Il s'agit d'un problème d'apprentissage supervisé car l'ensemble de données contient des échantillons historiques étiquetés (défectueux ou non défectueux), et l'objectif est de prédire un résultat catégoriel basé sur les lectures des capteurs. Dans Azure Machine Learning, des algorithmes d'apprentissage supervisé tels que la régression logistique à deux classes ou les arbres de décision boostés sont utilisés pour entraîner un modèle qui associe des caractéristiques d'entrée à des étiquettes connues.
Pour aller plus loin
L'apprentissage supervisé entraîne un modèle sur des exemples étiquetés, où chaque ligne associe des caractéristiques d'entrée à une cible connue. Dans Azure Machine Learning, cela signifie généralement créer un ensemble de données tabulaire avec une colonne d'étiquettes et utiliser une tâche de classification AutoML ou un pipeline de concepteur avec un algorithme de classification tel que le gradient boosting ou la régression logistique. Avec 10 000 échantillons de capteurs étiquetés et une cible binaire, le modèle apprend une frontière de décision qui mappe les lectures des capteurs à défectueux ou non défectueux. Une subtilité est le déséquilibre des classes : si les défauts sont rares, la précision est trompeuse, de sorte que des métriques comme la précision, le rappel (recall) et l'AUC comptent. Ce scénario est important car le modèle doit se généraliser à de nouvelles lectures de capteurs, ce qui nécessite un ensemble de test mis de côté (held-out) et une validation croisée plutôt que de mémoriser les lignes d'entraînement.
À propos de ces questions d'entraînement
Cette question fait partie des questions d'entraînement AI-900 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.
Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.