Vous avez déjà entendu le terme "overfitting" à plusieurs reprises. L'overfitting est simplement le concept d'une spécialisation excessive de la formation - à savoir que votre modèle est très bon pour classer ce pour quoi il a été formé, mais moins bon pour classer les choses qu'il n'a pas vues. Afin de généraliser votre modèle plus efficacement, vous aurez bien sûr besoin d'un plus grand nombre d'échantillons pour l'entraîner. Ce n'est pas toujours possible, mais un raccourci potentiel intéressant est l'augmentation d'image, qui consiste à modifier l'ensemble d'entraînement afin d'accroître la diversité des sujets couverts. Vous apprendrez tout cela cette semaine !

Construire des modèles pour vous-même est une excellente chose et peut s'avérer très puissant. Mais, comme vous l'avez vu, vous pouvez être limité par les données dont vous disposez. Tout le monde n'a pas accès à d'énormes ensembles de données ou à la puissance de calcul nécessaire pour les entraîner efficacement. L'apprentissage par transfert peut contribuer à résoudre ce problème : des personnes disposant de modèles formés sur de vastes ensembles de données les forment, de sorte que vous pouvez soit les utiliser directement, soit utiliser les caractéristiques qu'elles ont apprises et les appliquer à votre scénario. C'est ce qu'on appelle l'apprentissage par transfert, que vous découvrirez cette semaine !

Vous avez parcouru un long chemin, félicitations ! Il reste encore une chose à faire avant de passer des ConvNets au module suivant : aller au-delà de la classification binaire. Chacun des exemples que vous avez traités jusqu'à présent concernait la classification d'une chose ou d'une autre : cheval ou humain, chat ou chien. Lorsque vous passez de la classification binaire à la classification catégorielle, vous devez tenir compte de certaines considérations en matière de codage. Vous les examinerez cette semaine !