Table des matières
1. Qu’est-ce que l’apprentissage automatique ?
À partir d'un melon
Acquérir de l'expérience
Tirer parti de l'expérience
nouvelles décisions
2. Problèmes de classification et de régression
| caractéristique | Problème de classement | problème de régression |
|---|---|---|
| Le type de sortie | Données discrètes | données continues |
| But | Trouver les limites de décision | Trouvez la meilleure solution |
classification binaire
régression linéaire
régression polynomiale
problème de regroupement
Remarque : L'étiquette n'est pas donnée lors du processus de formation dans le problème de clustering.
enseignement supervisé
L'apprentissage supervisé consiste à « apprendre » une fonction à partir d'un ensemble de données d'entraînement donné. Lorsque de nouvelles données arrivent, le résultat peut être prédit sur la base de cette fonction. Les exigences de l’ensemble de formation de l’apprentissage supervisé incluent les entrées et les sorties, c’est-à-dire les fonctionnalités et les cibles. Les objets de l'ensemble de formation sont annotés à l'avance par les humains.
Utilisations principales : problèmes de classification et problèmes de régression
Algorithmes courants : arbres de décision et forêts aléatoires, régression logistique,
réseaux de neurones, Bayes naïf, régression logistique, etc.
apprentissage non supervisé
Dans le processus d'apprentissage non supervisé, seuls les attributs des choses sont fournis, mais les étiquettes des choses ne sont pas fournies, ce qui permet aux apprenants de résumer par eux-mêmes. Ainsi, l’apprentissage non supervisé, également appelé apprentissage inductif, fait référence au processus de division d’un ensemble de données en plusieurs clusters (ou groupes) composés d’objets similaires. Afin d'obtenir le résultat que les caractéristiques des éléments d'un même groupe sont très proches et que les caractéristiques des éléments de différents groupes sont très éloignées.
Utilisation principale : problèmes de clustering
Algorithmes courants : k-means, Apriori, FP-Growth
apprentissage semi-supervisé
apprentissage par renforcement
L'apprentissage par renforcement consiste à apprendre une politique optimale qui permet à l'agent d'entreprendre des actions en fonction de l'état actuel dans un environnement spécifique pour obtenir la récompense maximale.
