Karteikarten: Introduction aux Méthodes d'Intelligence Artificielle — 19 Karten

KNN — principe ?

Prédire selon les k voisins proches

KMeans — objectif ?

Former k groupes par minimisation de variance

Régression linéaire — relation ?

Modèle une relation linéaire entre variables

Arbre de décision — fonctionnement ?

Divise les données par tests successifs

Forêt aléatoire — principe ?

Ensemble d’arbres pour améliorer la stabilité

SVM — objectif ?

Maximiser la marge entre classes

Classifieurs bayésiens — base ?

Théorème de Bayes pour probabilités

Choix méthode IA — dépend ?

Nature des données et problème

Évaluation modèle — outils ?

Validation croisée, métriques (accuracy, RMSE)

Ensemble learning — but ?

Combiner modèles pour meilleure performance

KNN — distance ?

Euclidienne ou autre, selon données

KMeans — nombre K ?

Choisi par méthode du coude

Régression polynomiale — risque ?

Surapprentissage dû à explosion de variables

Arbres — limite ?

Surapprentissage si mal paramétrés

SVM — noyau ?

Transforme données pour séparation non linéaire

Classifieurs bayésiens — rapidité ?

Très rapides à entraîner

Méthode supervisée — exemple ?

KNN, régression linéaire, arbres

Méthode non supervisée — exemple ?

KMeans, clustering

Évaluation — métrique ?

Précision, RMSE, F-mesure selon tâche