Karteikarten: Introduction au Machine Learning — 24 Karten

Intelligence artificielle — définition ?

Ensemble de techniques visant à simuler l’intelligence humaine.

Machine learning — rôle ?

Algorithmes qui apprennent à partir de données pour faire des prédictions.

Données d’entraînement — fonction ?

Fournissent l’exemple pour construire un modèle.

Modèle mathématique — rôle ?

Représente la relation apprise entre variables.

Apprentissage supervisé — définition ?

Apprend à partir de paires entrée/sortie connues.

Jeu d’entraînement — contenu ?

Observations avec caractéristiques et variable cible.

Jeu de test — objectif ?

Évaluer la performance sur de nouvelles données.

Variable cible — rôle ?

Ce que le modèle doit prédire.

Analyse exploratoire — étape ?

Comprendre données, repérer patterns et erreurs.

K plus proches voisins — principe ?

Prédit selon les K observations les plus proches.

Distance entre points — importance ?

Détermine la proximité pour KNN.

Apprentissage en Python — outils ?

fit() pour entraîner, predict() pour prédire.

Évaluation modèle — méthode ?

train test split ou validation croisée.

Régression linéaire — principe ?

Prédit une valeur continue par combinaison linéaire.

Moindres carrés ordinaires — but ?

Minimiser l’erreur quadratique.

Ridge — régularisation ?

Ajoute une pénalité L2 pour limiter coefficients.

Lasso — régularisation ?

Ajoute une pénalité L1, peut annuler certains coefficients.

Surapprentissage — définition ?

Modèle trop ajusté, mauvaise généralisation.

Complexité du modèle — effet ?

Plus elle augmente, risque de surapprentissage.

Validation croisée — but ?

Évaluer la stabilité et performance du modèle.

Matrice de confusion — contenu ?

Vrai positif, faux positif, vrai négatif, faux négatif.

ROC — rôle ?

Visualise le compromis entre sensibilité et faux positifs.

AUC — signification ?

Surface sous la courbe ROC, indicateur de séparation.

Hyperparamètres — définition ?

Paramètres fixés avant l’entraînement.