Une journée d'analyse dans le stage à distance en ML / GenAI. Trois vidéos. Une règle. Un score d'entraînement n'est pas une preuve. Ce que j'ai retenu : 1. Sélection Gardez des lignes de côté. L'entraînement apprend. La validation ajuste. Le test donne un seul score honnête. Ne jamais ajuster sur l'ensemble de test. Le k-fold suit la même logique, en rotation. 2. Ajustement Sous-apprentissage : mauvais sur l'entraînement et le test. Trop simple. Sur-apprentissage : excellent sur l'entraînement, mauvais sur le test. Il a mémorisé les exercices. 3. Perte La perte est l'erreur : réel moins prédit. Mettez-la au carré pour éviter les valeurs négatives. Faites-en la moyenne. Un nombre nécessite l'MSE. Une classe nécessite l'entropie croisée. Les paramètres évoluent pour réduire cette erreur. Les trois verrous : La perte indique au modèle à quel point il s'est trompé. La validation me dit si ce déplacement s'est généralisé. Le sur-apprentissage se traduit par une petite erreur sur l'entraînement et une grande erreur sur le test. Question qui me reste : si deux modèles ont une perte de test similaire, dois-je choisir le plus simple ?