Apprentissage automatique

Machine Learning : apprentissage machine ou apprentissage statistique.

Motivation

Extraire un modèle prédictif (model fitting) d'une analyse de données.

Le ML est un domaine de l'IA où un ensemble de données est utilisé pour "entraîner". On distingue les apprentissages :

supervisé (supervised learning) : on indique à la machine ce qu'on attend d'elle (typiquement des résultats connus de données passées), de manière à ce qu'elle produise une prédiction :
- quantitative : prédire une valeur à l'aide d'une fonction continue
- qualitative : classification
- les deux : déterminant une probabilité d'appartenir à une classe
non supervisé (unsupervised learning) : on demande à la machine de trouver elle-même des groupes (clusters) de données
par transfert (transfer learning) : réutiliser les connaissances acquises pour un problème pour les réutiliser sur un autre problème similaire
par renforcement (Reinforcement Learning (RL)) : apprendre par tâtonnement (essais/erreurs) récompensés en cas de succès

Il existe divers "modèles" de ML adaptés à chaque type de problème :

supervisé :
- quantitatif : régression linéaire
- qualitatif : régression logistique
- SVM
- Random Forest
non supervisé :
- K-moyennes
par transfert (transfer learning) :
- Réseaux logiques de Markov
- Réseaux bayésiens
par renforcement :
- TD-learning
autres, adaptables à différents types de problèmes (supervisés ou non), comme les NN.

L'efficacité du modèle choisi devra ensuite être évaluée.