Machine Learning : Définition, fonctionnement, utilisations (2022)

Découvrez tout ce que vous devez savoir sur le Machine Learning : définition, fonctionnement, différentes catégories... vous saurez tout sur l'apprentissage automatique et son impact révolutionnaire dans tous les domaines !

LeMachine Learningou apprentissage automatique est un domaine scientifique, et plus particulièrement une sous-catégorie de l’intelligence artificielle. Elle consiste à laisser des algorithmes découvrir des » patterns «, à savoir des motifs récurrents, dans les ensembles de données. Ces données peuvent être des chiffres, des mots, des images, des statistiques…

Tout ce qui peut être stocké numériquement peut servir de données pour le Machine Learning. En décelant les patterns dans ces données, les algorithmes apprennent et améliorent leurs performances dans l’exécution d’une tâche spécifique.

Pour résumer, lesalgorithmes de Machine Learningapprennent de manière autonome à effectuer une tâche ou à réaliser des prédictions à partir de données et améliorent leurs performances au fil du temps. Une fois entraîné, l’algorithme pourra retrouver les patterns dans de nouvelles données.

Comment fonctionne le Machine Learning ?

Le développement d’un modèle de Machine Learning repose sur quatre étapes principales. En règle générale, c’est un Data Scientist qui gère et supervise ce procédé.

La première étape consiste à sélectionner et à préparer un ensemble de données d’entraînement. Ces données seront utilisées pour nourrir le modèle de Machine Learning pour apprendre à résoudre le problème pour lequel il est conçu.

Les données peuvent être étiquetées, afin d’indiquer au modèle les caractéristiques qu’il devra identifier. Elles peuvent aussi être non étiquetées, et le modèle devra repérer et extraire les caractéristiques récurrentes de lui-même.

Dans les deux cas, les données doivent être soigneusement préparées, organisées et nettoyées. Dans le cas contraire, l’entraînement du modèle de Machine Learning risque d’être biaisé. Les résultats de ses futures prédictions seront directement impactés.

La deuxième étape consiste à sélectionner un algorithme à exécuter sur l’ensemble de données d’entraînement. Le type d’algorithme à utiliser dépend du type et du volume de données d’entraînement et du type de problème à résoudre.

La troisième étape est l’entraînement de l’algorithme. Il s’agit d’un processus itératif. Des variables sont exécutées à travers l’algorithme, et les résultats sont comparés avec ceux qu’il aurait du produire. Les » poids » et le biais peuvent ensuite être ajustés pour accroître la précision du résultat.

On exécute ensuite de nouveau les variables jusqu’à ce que l’algorithme produise le résultat correct la plupart du temps. L’algorithme, ainsi entraîné, est le modèle de Machine Learning.

La quatrième et dernière étape est l’utilisation et l’amélioration du modèle. On utilise le modèle sur de nouvelles données, dont la provenance dépend du problème à résoudre.Par exemple, un modèle de Machine Learning conçu pour détecter les spams sera utilisé sur des emails.

De son côté, le modèle de Machine Learning d’un aspirateur robot ingère des données résultant de l’interaction avec le monde réel comme le déplacement de meubles ou l’ajout de nouveaux objets dans la pièce. L’efficacité et la précision peuvent également s’accroître au fil du temps.

LANCEZ VOTRE CARRIÈRE:
DEVENEZ DATAANALYST!

Une reconversion dans le big data vous intéresse, mais vous ne savez pas par où commencer ? Découvrez notre formation de Data Analyst.

Je découvre la formation

(Video) Le Machine Learning expliqué simplement

Quels sont les principaux algorithmes de Machine Learning ?

Il existe une large variété d’algorithmes de Machine Learning. Certains sont toutefois plus couramment utilisés que d’autres. Tout d’abord, différents algorithmes sont utilisés pour les données étiquetées.

Les algorithmes de régression, linéaire ou logistique, permettent de comprendre les relations entre les données. La régression linéaire est utilisée pour prédire la valeur d’une variable dépendante base sur la valeur d’une variable indépendante. Il s’agirait par exemple de prédire les ventes annuelles d’un commercial en fonction de son niveau d’études ou de son expérience.

La régression logistique est quant à elle utilisée quand les variables dépendantes sont binaires. Un autre type d’algorithme de régression appelé machine à vecteur de support est pertinent quand les variables dépendantes sont plus difficiles à classifier.

Un autre algorithme ML populaire est l’arbre de décision. Cet algorithme permet d’établir des recommandations basées sur un ensemble de règles de décisions en se basant sur des données classifiées. Par exemple, il est possible de recommander sur quelle équipe de football parier en se basant sur des données telles que l’âge des joueurs ou le pourcentage de victoire de l’équipe.

Pour les données non étiquetées, on utilise souvent lesalgorithmes de «clustering». Cette méthode consiste à identifier les groupes présentant des enregistrements similaires et à étiqueter ces enregistrements en fonction du groupe auquel ils appartiennent.

Auparavant, les groupes et leurs caractéristiques sont inconnus. Parmi les algorithmes de clustering, on compte les K-moyennes, le TwoStep ou encore le Kohonen.

Les algorithmes d’association permettent quant à eux de découvrir des patterns et des relations dans les données, et à identifier les relations » si / alors » appelées » règles d’association «. Ces règles sont similaires à celles utilisées dans le domaine du Data Mining ou forage de données.

Enfin, les réseaux de neurones sont des algorithmes se présentant sous la forme d’un réseau à plusieurs couches. La première couche permet l’ingestion des données, une ou plusieurs couches cachées tirent des conclusions à partir des données ingérées, et la dernière couche assigne une probabilité à chaque conclusion.

Un réseau de neurones » profond « est composé de multiples couches cachées permettant chacune de raffiner les résultats de la précédente. On l’utilise dans le domaine du Deep Learning.

Qu'est-ce que le Deep Learning ?

LeDeep Learningest une branche du Machine Learning, mais il s’agit aujourd’hui de la plus couramment utilisée. Il s’agit d’une invention de Geoffrey Hinton, datée de 1986.

Pour faire simple, le Deep Learning est une version améliorée du Machine Learning. L’apprentissage profond utilise une technique lui conférant une aptitude supérieure à détecter les patterns même les plus subtiles.

(Video) Le Machine Learning c’est quoi ?

Cette technique est appelée réseau de neurones profond. Cette profondeur correspond au large nombre de couches de noeuds de calcul qui constituent ces réseaux et travaillent en collaboration pour traiter les données et délivrer des prédictions.

Ces réseaux de neurones s’inspirent directement du fonctionnement du cerveau humain. Les noeuds de calcul sont comparables aux neurones, et le réseau en lui-même s’apparente au cerveau.

Quels sont les différents types de Machine Learning ?

On distingue trois techniques de Machine Learning : l’apprentissage supervisé, l’apprentissage non-supervisé, et l’apprentissage par renforcement. Dans le cas de l’apprentissage supervisé, le plus courant, les données sont étiquetées afin d’indiquer à la machine quelles patterns elle doit rechercher.

Le système s’entraîne sur un ensemble de données étiquetées, avec les informations qu’il est censé déterminer. Les données peuvent même être déjà classifiées de la manière dont le système est supposé le faire.

Cette méthode nécessite moins de données d’entraînement que les autres, et facilite le processus d’entraînement puisque les résultats du modèle peuvent être comparés avec les données déjà étiquetées. Cependant, l’étiquetage des données peut se révéler onéreux. Un modèle peut aussi être biaisé à cause des données d’entraînement, ce qui impactera ses performances par la suite lors du traitement de nouvelles données.

Au contraire, dans le cas de l’apprentissage non supervisé, les données n’ont pas d’étiquettes. La machine se contente d’explorer les données à la recherche d’éventuelles patterns. Elle ingère de vastes quantités de données, et utilise des algorithmes pour en extraire des caractéristiques pertinentes requises pour étiqueter, trier et classifier les données en temps réel sans intervention humaine.

Plutôt que d’automatiser les décisions et les prédictions, cette approche permet d’identifier les patterns et les relations que les humains risquent de ne pas identifier dans les données. Cette technique n’est pas très populaire, car moins simple à appliquer. Elle est toutefois de plus en plus populaire dans le domaine de la cybersécurité.

L’apprentissage » semi-supervisé « se situe entre les deux et offre un compromis entre apprentissage supervisé et non-supervisé. Pendant l’entraînement, un ensemble de données étiqueté de moindre envergure est utilisé pour guider la classification et l’extraction de caractéristiques à partir d’un ensemble plus large de données non étiquetées.

Cette approche s’avère utile dans les situations où le nombre de données étiquetées est insuffisant pour l’entraînement d’un algorithme supervisé. Elle permet de contourner le problème.

Enfin, l’apprentissage par renforcement consiste à laisser un algorithme apprendre de ses erreurs pour atteindre un objectif. L’algorithme essayera de nombreuses approches différentes pour tenter d’atteindre son but.

En fonction de ses performances, il sera récompensé ou pénalisé pour l’inciter à poursuivre dans une voie ou à changer d’approche. Cette technique est notamment utilisée pour permettre à une IA de surpasser les humains dans les jeux.

Par exemple, AlphaGo de Google a battu le champion de Go grâce à l’apprentissage par renforcement. De même, OpenAI a entraîné une IA capable de vaincre les meilleurs joueurs du jeu vidéo Dota 2.

LANCEZ VOTRE CARRIÈRE:
DEVENEZ DATASCIENTIST!

Une reconversion dans le big data vous intéresse, mais vous ne savez pas par où commencer ? Découvrez notre formation de Data Scientist.

Je découvre la formation

(Video) Le machine learning, c'est quoi ? (définition, aide, lexique, tuto, explication)

LANCEZ VOTRE CARRIÈRE:
DEVENEZ DATASCIENTIST!

Une reconversion dans le big data vous intéresse, mais vous ne savez pas par où commencer?

Découvrez notre formation deData Scientist

Je découvre la formation

Cas d'usage et applications

Ces dernières années, on entend parler de nombreuses avancées dans le domaine de l’intelligence artificielle. De même, les applications de l’IA se multiplient. En réalité, la vaste majorité des progrès effectués dans ce domaine sont directement liés au Machine Learning.

Le Machine Learning se cache derrière un grand nombre de services modernes très populaires. Par exemple, les systèmes de recommandation de Netflix, YouTube et Spotify exploitent cette technologie.

Il en va de même pour les moteurs de recherche web de Google et Baidu, pour les fils d’actualité de réseaux sociaux tels que Facebook et Twitter, ou pour les assistants vocaux comme Siri et Alexa. Ainsi, le Machine Learning peut être considéré comme une innovation phare de ce début de XXIème siècle.

C’est la raison pour laquelle les plateformes citées ci-dessus et les autres géants du web collectent de vastes quantités de données personnelles sur leurs utilisateurs : le genre de films que vous préférez, les liens sur lesquels vous cliquez, les publications auxquelles vous réagissez… toutes ces données peuvent être utilisées pour nourrir un algorithme de Machine Learninget lui permettre de prédire ce que vous voulez.

Le Machine Learning est également ce qui permet aux aspirateurs robots de faire le ménage seuls, à votre boite mail de détecter les spams, et aux systèmes d’analyse d’image médicale d’aider les médecins à repérer les tumeurs plus efficacement. Les voitures autonomes, elles aussi reposent sur l’apprentissage automatique.

Les assistants numériques, comme Apple Siri, Amazon Alexa ou Google Assistant, reposent sur la technologie de traitement naturel du langage (NLP). Il s’agit d’une application du Machine Learning permettant aux ordinateurs de traiter des données vocales ou textuelles afin de » comprendre » le langage humain. Cette technologie propulse aussi la voix de votre GPS ou encore les Chatbots et les logiciels de type » speech-to-text «.

À mesure que le Big Data continuera à se développer, avec toujours plus de données générées, et alors que l’informatique continuera à gagner en puissance, le Machine Learning offrira encore davantage de possibilités

Vous êtes désormais incollable sur le Machine Learning. Cette discipline est au coeur de la Data Science, et vous pourrez vous initier à travers notre formation de Data Scientist. Découvrez aussi comment utiliser le langage Python pour le Machine Learning.

(Video) Définition et utilité du machine learning en recherche

Machine learning et analyse de données

Le Machine Learning est massivement utilisé pour la Data Science et l’analyse de données. Il permet de développer, de tester et d’appliquer des algorithmes d’analyse prédictive sur différents types de données afin de prédire le futur.

En automatisant le développement de modèle analytique, le Machine Learning permet d’accélérer l’analyse de données et de la rendre plus précise. Il permet d’assigner aux machines des tâches au cœur de l’analyse de données comme la classification, le clustering ou la détection d’anomalie.

Les algorithmes ingèrent les données et délivrent des inférences statistiques, et peuvent s’améliorer de manière autonome au fil du temps. Lorsqu’ils détectent un changement dans les données, ils sont capables de prendre des décisions sans intervention humaine.

Pour l’heure, un humain reste toutefois nécessaire pour passer en revue les résultats des analyses produites par les algorithmes de Machine Learning. Son rôle est de donner du sens à ces résultats, ou encore de s’assurer que les données traitées par l’algorithme ne soient ni biaisées ni altérées.

LANCEZ VOTRE CARRIÈRE:
DANS LA DATA SCIENCE!

Une reconversion dans le big data vous intéresse, mais vous ne savez pas par où commencer ? Découvrez nos formationsenData Science.

Je découvre les formations

LANCEZ VOTRE CARRIÈRE:
DANS LA DATA SCIENCE!

Une reconversion dans le big data vous intéresse, mais vous ne savez pas par où commencer ?

Découvrez nos formations en Data Science.

Je découvre les formations

FAQs

What is machine learning vs deep learning? ›

Machine learning and deep learning are both types of AI. In short, machine learning is AI that can automatically adapt with minimal human interference. Deep learning is a subset of machine learning that uses artificial neural networks to mimic the learning process of the human brain.

What are the different types of machine learning? ›

The three machine learning types are supervised, unsupervised, and reinforcement learning.

What is machine learning with example? ›

Machine learning is a modern innovation that has enhanced many industrial and professional processes as well as our daily lives. It's a subset of artificial intelligence (AI), which focuses on using statistical techniques to build intelligent computer systems to learn from available databases.

How is machine learning different from artificial intelligence? ›

An “intelligent” computer uses AI to think like a human and perform tasks on its own. Machine learning is how a computer system develops its intelligence. One way to train a computer to mimic human reasoning is to use a neural network, which is a series of algorithms that are modeled after the human brain.

Why do we use machine learning? ›

Simply put, machine learning allows the user to feed a computer algorithm an immense amount of data and have the computer analyze and make data-driven recommendations and decisions based on only the input data.

Why should I learn machine learning? ›

Machine learning is the shining star of the moment. With every industry looking to apply AI in their domain, studying machine learning opens world of opportunities to develop cutting edge machine learning applications in various verticals – such as cyber security, image recognition, medicine, or face recognition.

What are the main 3 types of ML models? ›

Amazon ML supports three types of ML models: binary classification, multiclass classification, and regression. The type of model you should choose depends on the type of target that you want to predict.

What are the 3 parts of machine learning? ›

There are three main elements to every machine learning algorithm, and they include: Representation: what the model looks like; how knowledge is represented. Evaluation: how good models are differentiated; how programs are evaluated. Optimization: the process for finding good models; how programs are generated.

Who uses machine learning? ›

Machine learning is used in internet search engines, email filters to sort out spam, websites to make personalised recommendations, banking software to detect unusual transactions, and lots of apps on our phones such as voice recognition.

What are the two types of machine learning? ›

These are three types of machine learning: supervised learning, unsupervised learning, and reinforcement learning.

What is machine learning in simple words? ›

Machine learning (ML) is a type of artificial intelligence (AI) that allows software applications to become more accurate at predicting outcomes without being explicitly programmed to do so. Machine learning algorithms use historical data as input to predict new output values.

Does machine learning require coding? ›

Yes, if you're looking to pursue a career in artificial intelligence and machine learning, a little coding is necessary.

What type of AI is machine learning? ›

What is machine learning? Machine learning is an application of AI. It's the process of using mathematical models of data to help a computer learn without direct instruction. This enables a computer system to continue learning and improving on its own, based on experience.

What is machine learning model? ›

A machine learning model is a file that has been trained to recognize certain types of patterns. You train a model over a set of data, providing it an algorithm that it can use to reason over and learn from those data.

Why machine learning is the future? ›

Machine Learning is a subfield of Artificial Intelligence. From predicting the spread of the COVID-19 virus to supporting cutting-edge cancer research, AI & ML can disrupt and transform every single segment of society. Naturally, it is hard to imagine a future without machine learning in our lives today.

What is data in machine learning? ›

DATA: It can be any unprocessed fact, value, text, sound, or picture that is not being interpreted and analyzed. Data is the most important part of all Data Analytics, Machine Learning, Artificial Intelligence. Without data, we can't train any model and all modern research and automation will go in vain.

Is machine learning easy? ›

Factors that make machine learning difficult are the in-depth knowledge of many aspects of mathematics and computer science and the attention to detail one must take in identifying inefficiencies in the algorithm. Machine learning applications also require meticulous attention to optimize an algorithm.

Is machine learning a good career? ›

A career in machine learning is a lucrative option; one should invest efforts in learning the skills required and develop a robust portfolio of themselves to gain better job opportunities in the future. Data scientist: The role of a data scientist is somewhat similar to that of a BI developer.

What is most important machine learning? ›

Training is the most important part of Machine Learning. Choose your features and hyper parameters carefully. Machines don't take decisions, people do. Data cleaning is the most important part of Machine Learning.

What are the 7 steps of machine learning? ›

The 7 Steps of Machine Learning
  • Data Collection. → The quantity & quality of your data dictate how accurate our model is. ...
  • Data Preparation. → Wrangle data and prepare it for training. ...
  • Choose a Model. ...
  • Train the Model. ...
  • Evaluate the Model. ...
  • Parameter Tuning. ...
  • Make Predictions.
19 Oct 2022

What are the 7 steps to making a machine learning model? ›

It can be broken down into 7 major steps :
  1. Collecting Data: As you know, machines initially learn from the data that you give them. ...
  2. Preparing the Data: After you have your data, you have to prepare it. ...
  3. Choosing a Model: ...
  4. Training the Model: ...
  5. Evaluating the Model: ...
  6. Parameter Tuning: ...
  7. Making Predictions.
15 Nov 2022

What are the 3 classification of models? ›

Each of these fits within an overall classification of four main categories: physical models, schematic models, verbal models, and mathematical models.

What are the 3 basic types of machine learning problems? ›

First, we will take a closer look at three main types of learning problems in machine learning: supervised, unsupervised, and reinforcement learning.

What are data types in ML? ›

Data in ML can be categorized into two types, (i)Quantitative or Numerical and (ii)Qualitative or Categorical. Numerical Data: It is information about quantities, which means that it is information which can be measured, this data is represented as numbers and not words.

What are the 3 components of an algorithm? ›

An algorithm is made up of three basic building blocks: sequencing, selection, and iteration.

How many steps are in machine learning? ›

The 7 Steps of Machine Learning.

What is Step 5 in machine learning? ›

5. Train Model. Now the next step is to train the model, in this step we train our model to improve its performance for better outcome of the problem. We use datasets to train the model using various machine learning algorithms.

What is machine learning tools? ›

Machine learning tools are algorithmic applications of artificial intelligence that give systems the ability to learn and improve without ample human input; similar concepts are data mining and predictive modeling. They allow software to become more accurate in predicting outcomes without being explicitly programmed.

Where is machine learning most used? ›

Machine learning technology has become one of the biggest milestones of the tech industry, as it's used in smartphones, banking, healthcare and more. Machine learning aims to simulate human thinking and behaviors by recognizing patterns and automating processes — which frequently surpass the capabilities of humans.

Is machine learning still used? ›

Machine learning algorithms are used in a wide variety of applications, such as in medicine, email filtering, speech recognition, agriculture, and computer vision, where it is difficult or unfeasible to develop conventional algorithms to perform the needed tasks.

What is the best type of machine learning? ›

The most popular type of machine learning algorithm is arguably linear regression. Linear regression algorithms map simple correlations between two variables in a set of data.

Why is it called machine learning? ›

The term “machine learning” was coined by Arthur Samuel, a computer scientist at IBM and a pioneer in AI and computer gaming. Samuel designed a computer program for playing checkers. The more the program played, the more it learned from experience, using algorithms to make predictions.

Can I learn ML by myself? ›

Can You Learn Machine Learning on Your Own? Absolutely. Although the long list of ML skills and tools can seem overwhelming, it's definitely possible to self-learn ML. With the sheer amount of free and paid resources available online, you can develop a great understanding of machine learning all by yourself.

Can I learn machine learning without data science? ›

Because data science is a broad term for multiple disciplines, machine learning fits within data science. Machine learning uses various techniques, such as regression and supervised clustering. On the other hand, the data' in data science may or may not evolve from a machine or a mechanical process.

Is machine learning all about math? ›

ML engineers and data scientists don't do much math

This takes a combination of skill, experience, and intuition. With top-tier data wrangling skills, you're 90% of the way to training powerful models. SQL, Pandas, and re-usable functions are your friend here. Far more than differential equations.

What are the 4 types of AI? ›

There are a lot of ongoing discoveries and developments, most of which are divided into four categories: reactive machines, limited memory, theory of mind, and self-aware AI.

How can I learn machine learning? ›

My best advice for getting started in machine learning is broken down into a 5-step process:
  1. Step 1: Adjust Mindset. Believe you can practice and apply machine learning. ...
  2. Step 2: Pick a Process. Use a systemic process to work through problems. ...
  3. Step 3: Pick a Tool. ...
  4. Step 4: Practice on Datasets. ...
  5. Step 5: Build a Portfolio.

Are there 3 or 4 types of AI? ›

According to the current system of classification, there are four primary AI types: reactive, limited memory, theory of mind, and self-aware. Let's take a look at each type in a little more depth.

Is deep learning also machine learning? ›

Deep learning is a subset of machine learning. It still involves letting the machine learn from data, but it marks an important milestone in AI's evolution. Deep learning was developed based on our understanding of neural networks.

Is machine learning equal to deep learning? ›

Deep learning is a type of machine learning, which is a subset of artificial intelligence. Machine learning is about computers being able to think and act with less human intervention; deep learning is about computers learning to think using structures modeled on the human brain.

Is deep learning considered machine learning? ›

Deep learning is a subfield of machine learning, and neural networks make up the backbone of deep learning algorithms. In fact, it is the number of node layers, or depth, of neural networks that distinguishes a single neural network from a deep learning algorithm, which must have more than three.

Is Netflix machine learning or deep learning? ›

Not only was Netflix able to offer consumers easy-to-access and affordable content, they generated billions of data in the process. This newfound data allowed Netflix to utilize machine learning (ML) to offer a hyper-personalized experience for all users.

Who is father of machine learning? ›

Geoffrey Hinton CC FRS

How hard is machine learning? ›

Factors that make machine learning difficult are the in-depth knowledge of many aspects of mathematics and computer science and the attention to detail one must take in identifying inefficiencies in the algorithm. Machine learning applications also require meticulous attention to optimize an algorithm.

What should I learn first AI or ML? ›

So, should I learn machine learning or artificial intelligence first? If you're looking to get into fields such as natural language processing, computer vision or AI-related robotics then it would be best for you to learn AI first.

What AI is not machine learning? ›

So what is an example of AI that is not machine learning? “Expert systems” basically set a number of “if this, then do that” statements. It does not learn by itself (so it is not machine learning), and it still can be very useful for use cases like medical diagnosis and treatment.

What type of AI is deep learning? ›

Deep learning is a type of machine learning and artificial intelligence (AI) that imitates the way humans gain certain types of knowledge. Deep learning is an important element of data science, which includes statistics and predictive modeling.

Is machine learning the same as Python? ›

Python includes a modular machine learning library known as PyBrain, which provides easy-to-use algorithms for use in machine learning tasks. The best and most reliable coding solutions require a proper structure and tested environment, which is available in the Python frameworks and libraries.

Why Python is used in Netflix? ›

Netflix's information security team uses python to accomplish some very important goals like risk classification, and vulnerability identification, security automation, and auto-remediation to name a few.

Videos

1. [Comment ça marche ?] Le fonctionnement d’une intelligence artificielle (IA)
(CEA Recherche)
2. Machine Learning et Big Data : définition et explications
(onpassive advanced technology)
3. Intelligence Artificielle VS Machine Learning VS Deep Learning - Les différences entre ces termes
(Computer Scientists)
4. Tuto@48Mate# Thierry Poibeau présente une introduction à l'intelligence artificielle pour les SHS
(Tuto Mate-shs)
5. Machine Learning Interview Questions and Answers | Machine Learning Interview Preparation | Edureka
(edureka!)
6. Machine Learning vs Deep Learning vs Artificial Intelligence | ML vs DL vs AI | Simplilearn
(Simplilearn)

Top Articles

Latest Posts

Article information

Author: Jeremiah Abshire

Last Updated: 11/06/2022

Views: 6469

Rating: 4.3 / 5 (74 voted)

Reviews: 89% of readers found this page helpful

Author information

Name: Jeremiah Abshire

Birthday: 1993-09-14

Address: Apt. 425 92748 Jannie Centers, Port Nikitaville, VT 82110

Phone: +8096210939894

Job: Lead Healthcare Manager

Hobby: Watching movies, Watching movies, Knapping, LARPing, Coffee roasting, Lacemaking, Gaming

Introduction: My name is Jeremiah Abshire, I am a outstanding, kind, clever, hilarious, curious, hilarious, outstanding person who loves writing and wants to share my knowledge and understanding with you.