Karteikarten: Principes fondamentaux de l'apprentissage automatique — 20 Karten

Statistique descriptive — définition ?

Résumé, organisation et présentation synthétique des données.

Techniques de résumé — exemples ?

Moyenne, médiane, écart-type, variance.

Présentation des résultats — outils ?

Tableaux, histogrammes, boîtes à moustaches.

Objectif de la statistique ?

Faciliter la compréhension des données brutes.

Différence avec inférence — statistique ?

La descriptive ne fait pas d’estimations, l’inférentielle oui.

Risque ou erreur de généralisation ?

Performance moyenne d’un modèle sur la vraie distribution.

Estimation du risque empirique — comment ?

Moyenne de la perte sur l’échantillon d’apprentissage.

Limite du risque empirique ?

Sous-estimation du risque vrai, peu fiable seul.

Fonction de prévision optimale — nom ?

Règle de Bayes.

Données d'apprentissage — rôle ?

Entraîner le modèle à faire des prédictions.

Ensemble d'entraînement — pour quoi ?

Ajuster ou apprendre le modèle.

Ensemble de test — objectif ?

Évaluer la performance sur données inédites.

Apprentissage supervisé — définition ?

Toutes les yi sont observées pour prédire y à partir de x.

Fonction de perte — rôle ?

Mesurer l’écart entre prédiction et réalité.

Propriété de la fonction de perte ?

Nulle si prédiction exacte, positive sinon.

Validation croisée — principe ?

Partitionner données, entraînement et validation itérative.

Overfitting — phénomène ?

Modèle trop ajusté, capture bruit, mauvaise généralisation.

Capacité du modèle — lien avec overfitting ?

Plus grande capacité, plus risque d’overfitting.

Régularisation — objectif ?

Contrôler la complexité du modèle pour éviter overfitting.

Hyperparamètres — définition ?

Paramètres fixés avant l’apprentissage, contrôlant le modèle.