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
Testez vos connaissances avec un QCM de 8 questions sur Introduction au Machine Learning.
1. Qu'est-ce que le K-anonymat en traitement de données ?
2. Quelle affirmation correspond au sujet « Définition du problème en machine learning : variables explicatives, variable cible et objectifs d’estimation » ?
Révisez le cours complet dans la fiche de révision de Introduction au Machine Learning.
Voir la fiche →Bases de données
Bases de données
Bases de données
Programmation
Importe ton cours et l'IA génère des flashcards en 30 secondes.
Générateur de flashcards