Karteikarten: Introduction au Machine Learning — 16 Karten

Applications du ML — exemples ?

AlphaGo, reconnaissance d’images, recommandations

Problème ML — variables ?

Variables explicatives, variable cible, objectifs d’estimation

Types d'apprentissage — principaux ?

Supervisé, non supervisé, semi-supervisé, par renforcement

Régression — cible ?

Variable quantitative continue

Classification — cible ?

Variable qualitative ou catégorielle

Erreur réductible — définition ?

Erreur liée à l’estimation de f, diminuable

Erreur irréductible — définition ?

Erreur due à la variance du bruit, inchangeable

Inférence — objectif ?

Comprendre relations entre X et Y

Algorithmes paramétriques — caractéristique ?

Forme fixe, peu flexible, interprétable

Algorithmes non paramétriques — caractéristique ?

Forme flexible, moins interprétable

Fonction de perte — rôle ?

Mesure la coût entre Y et ˆY

Erreur quadratique — utilisation ?

Pénalise erreurs importantes, pour régression

Erreur absolue — utilisation ?

Pénalise linéairement, pour régression

Méthodes paramétriques — exemple ?

Régression linéaire, logistique

Méthodes non paramétriques — exemple ?

Arbres de décision, KNN

Prédiction — objectif principal ?

Obtenir la meilleure estimation de Y