Apprentissage automatique classique
Bienvenue dans la leçon 6 du cours Concepts d'intelligence artificielle (COMP5511). Cette session fait le pont entre les fondements théoriques et les implémentations algorithmiques pratiques. Bien que l'IA moderne mette souvent l'accent sur le Deep Learning, Apprentissage automatique classique reste le fondement de l'analyse de données. Ces algorithmes offrent une grande interprétabilité et efficacité computationnelle, ce qui en fait le choix privilégié pour les données structurées et l'analyse de niveau industriel.
1. Apprentissage supervisé
Ce paradigme consiste à entraîner un modèle sur un ensemble de données étiqueté, où l'algorithme apprend la relation entre les caractéristiques d'entrée et une sortie cible spécifique. Cela permet au modèle de prédire les résultats avec précision sur de nouvelles données non vues.
- Arbres de décision : Des modèles qui divisent les données en branches pour aboutir à une décision de classification ou numérique.
- Machines à vecteurs de support (SVM) : Des algorithmes qui trouvent l' hyperplan optimal pour maximiser la marge entre les différentes classes de données.
2. Apprentissage non supervisé
Ces algorithmes analysent des données non étiquetées pour découvrir des motifs, structures ou groupements cachés sans aucune orientation préalable sur ce que devrait être la sortie. Les techniques clés incluent :
- Groupement par K-moyennes : Regrouper des points de données en K groupes distincts en fonction des similitudes de leurs caractéristiques.
- Analyse en composantes principales (ACP) : Une réduction de dimensionnalité utilisée pour simplifier des données complexes tout en conservant leur variance essentielle.