Scribd
Importer
4 vues3 pages

Presentation Du Machine Learning

Le document présente le machine learning, une science permettant d'apprendre à partir de données sans programmation explicite, et décrit ses différents types, notamment l'apprentissage supervisé, non supervisé, semi-supervisé et par renforcement. Il aborde également les fondamentaux de l'apprentissage supervisé, la sélection de modèles, l'évaluation de performance, ainsi que l'inférence bayésienne et les régressions paramétriques. Enfin, il mentionne des ressources pratiques pour approfondir ces concepts.

Transféré par

addansam04
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats DOCX, PDF, TXT ou lisez en ligne sur Scribd
4 vues3 pages

Presentation Du Machine Learning

Le document présente le machine learning, une science permettant d'apprendre à partir de données sans programmation explicite, et décrit ses différents types, notamment l'apprentissage supervisé, non supervisé, semi-supervisé et par renforcement. Il aborde également les fondamentaux de l'apprentissage supervisé, la sélection de modèles, l'évaluation de performance, ainsi que l'inférence bayésienne et les régressions paramétriques. Enfin, il mentionne des ressources pratiques pour approfondir ces concepts.

Transféré par

addansam04
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats DOCX, PDF, TXT ou lisez en ligne sur Scribd

I.

Presentation du machine learning:


1. Le machine Learning
2. Types de problèmes de machine Learning
3. Ressources pratiques et notations
II. Apprentissage supervise-fondamentaux:
1. Formalisation d’un problème
2. Espace des hypothèses et risque empirique
3. Fonctions du cout
4. Généralisation et sur-apprentissage
III. Sélection de modèle et évaluation :
1. Estimation empirique de l’erreur
2. Critères de performance
IV. Inference bayesienne:
1. Modèles génératifs
2. Règles de décision
3. Classification naïve bayesienne
V. Regressions parametriques:
I. Presentation du machine learning:
1) Le machine Learning :
 Le machine Learning est la science qui permet d’apprendre sans
être programmé, d’où il découvre les règles
 L’utilité du machine Learning se manifeste aux problèmes qu’on
sait pas résoudre, difficiles à coder ainsi que des problèmes
complexes pour une approche classique
 Le machine Learning se base sur les données (exemples
historiques) et l’algorithme afin d’obtenir un modèle.
2) Types de problèmes de machine Learning :
 Apprentissage supervise : faire des prédictions d’où on connait
déjà la réponse
 Apprentissage non supervise : découvrir la structure d’où on n’a
pas de réponse
 Apprentissage semi supervise : utiliser les données non
étiquetées
 Apprentissage par renforcement : apprend par essais erreur via
des récompenses
3) Ressources pratiques et notations :
 R+CRAN

Vous aimerez peut-être aussi