Introduction aux Méthodes d'Intelligence Artificielle

📋 Plan du Cours

1. Méthodes d'apprentissage supervisé
2. Algorithmes classiques IA
3. KNN et KMeans
4. Régression linéaire et polynomiale
5. Arbres de décision et forêts
6. SVM et plongements
7. Classifieurs bayésiens
8. Choix de méthode IA
9. Évaluation des modèles
10. Ensemble learning

📖 1. Méthodes d'apprentissage supervisé

🔑 Notions clés & Définitions

• KNN (K plus proches voisins) : Méthode de classification ou de régression où la prédiction d’un point se fait en fonction de ses k voisins les plus proches dans l’espace des données. La classification se base sur un vote majoritaire, tandis que la régression utilise la moyenne des valeurs des voisins. (source : intro à l’IA)

• Régression par moyenne (KNN) : Variante de KNN pour la régression, où la valeur prédite est la moyenne des valeurs des k voisins les plus proches. Elle permet d’estimer une variable continue en se basant sur la proximité dans l’espace des données. (source : intro à l’IA)

• Principe des k plus proches voisins : Approche non paramétrique qui consiste à classer ou prédire une donnée en fonction de ses k voisins les plus proches, selon une métrique de distance. La méthode repose sur la proximité dans l’espace des caractéristiques. (source : intro à l’IA)

📝 Points essentiels