Karteikarten: Introduction aux Techniques de Machine Learning — 16 Karten

Erreur — définition ?

Différence entre prédiction et valeur réelle.

Applications ML — exemples ?

Reconnaissance d'images, voitures autonomes, santé.

Tâche supervisée — rôle ?

Prédire étiquettes à partir de données étiquetées.

Tâche non supervisée — objectif ?

Découvrir structures ou réduire dimensions sans étiquettes.

Tâche de renforcement — mécanisme ?

Apprendre par interaction avec environnement.

Tâche de génération — but ?

Créer de nouvelles données ressemblant aux originales.

Problème supervisé — formulation ?

Prédire label Y à partir attributs X.

Espace de caractéristiques — symbole ?

X, sous-ensemble de ℝ^d.

Risque — définition ?

Espérance de la perte sur la distribution.

Prédicteur de Bayes — rôle ?

Minimise le risque attendu conditionnel.

Mesures pour données déséquilibrées — exemples ?

Précision, rappel, F1, AUC ROC.

Clustering — objectif ?

Regrouper données en k clusters.

Réduction de dimension — but ?

Simplifier tout en conservant structure.

Régression linéaire — avantage ?

Modèle simple, solution analytique.

Régression logistique — application ?

Classification binaire, optimisation numérique.

Fonction de log-vraisemblance — propriété ?

Convexe, facilite optimisation.