Débutant
Qu’est-ce que le machine learning ?
Le machine learning (ML), ou apprentissage automatique, est un sous-domaine de l’intelligence artificielle dans lequel des systèmes apprennent des motifs à partir de données ou d’expériences afin de produire des prédictions, classifications, recommandations ou décisions sans être explicitement programmés pour chaque cas.
Qu’est-ce que l’apprentissage supervisé ?
L’apprentissage supervisé est une approche de machine learning dans laquelle un modèle apprend à partir d’exemples associant des entrées à des sorties cibles ou étiquettes connues. Le modèle utilise ces exemples étiquetés pour apprendre des correspondances qui peuvent servir à la prédiction, à la classification ou à la régression sur de nouvelles données.
En quoi l’apprentissage non supervisé diffère-t-il de l’apprentissage supervisé ?
Utilisez l’apprentissage supervisé lorsque des exemples entrée-sortie étiquetés existent ; utilisez l’apprentissage non supervisé lorsque l’objectif est de découvrir une structure sans étiquettes.
Qu’est-ce que l’apprentissage par renforcement ?
L’apprentissage par renforcement (RL) est un paradigme de machine learning dans lequel un agent apprend à agir dans un environnement en recevant des récompenses ou des pénalités pour ses actions. L’objectif est d’apprendre une politique qui maximise la récompense cumulée attendue au fil du temps.
Intermédiaire
Qu’est-ce que l’apprentissage auto-supervisé ?
L’apprentissage auto-supervisé est une approche d’apprentissage automatique qui crée des signaux d’entraînement à partir des données non étiquetées elles-mêmes. Il convertit certains aspects d’un problème non supervisé en apprentissage supervisé en générant des étiquettes de substitution, ce qui le rend utile lorsque les données étiquetées sont rares mais que les données non étiquetées sont abondantes.
Qu’est-ce que l’apprentissage semi-supervisé ?
L’apprentissage semi-supervisé est une approche d’apprentissage automatique qui utilise à la fois des données étiquetées et non étiquetées pendant l’entraînement. Il est utile lorsque les exemples étiquetés sont coûteux ou limités, mais que des volumes plus importants de données non étiquetées peuvent aider à améliorer la représentation, la classification ou la prédiction.
Qu’est-ce que les données d’entraînement ?
Les données d’entraînement sont le jeu de données utilisé pour enseigner ou ajuster un modèle d’apprentissage automatique en modifiant ses paramètres apprenables. Leur qualité, quantité, diversité, étiquetage et provenance influencent fortement les performances, la fiabilité et la posture de conformité du modèle obtenu.
Qu’est-ce que le surapprentissage ?
Le surapprentissage se produit lorsqu’un modèle apprend les données d’entraînement de trop près, y compris le bruit ou les détails idiosyncratiques, et fonctionne mal sur de nouvelles données. Il est généralement indiqué par de très bonnes performances à l’entraînement, mais des performances plus faibles en validation ou en test.
Qu’est-ce que le sous-apprentissage ?
Le sous-apprentissage se produit lorsqu’un modèle est trop simple ou insuffisamment entraîné pour capturer des motifs significatifs dans les données. Un modèle sous-appris fonctionne mal à la fois sur les données d’entraînement et sur les nouvelles données, car il n’a pas appris les relations sous-jacentes nécessaires à la tâche.
Qu’est-ce qu’un arbre de décision ?
Un arbre de décision est un modèle d’apprentissage supervisé interprétable qui représente les règles de décision sous forme d’arbre. L’inférence suit un chemin depuis un nœud racine, à travers des conditions fondées sur les caractéristiques, jusqu’à une feuille qui fournit la classe ou la valeur prédite.
Avancé
Qu’est-ce que le deep learning ?
Le deep learning est un sous-domaine de l’apprentissage automatique qui utilise des réseaux de neurones à plusieurs couches pour apprendre des représentations et des motifs à partir des données.
En quoi la classification et la régression diffèrent-elles ?
Utilisez la classification lorsque la cible est une catégorie ; utilisez la régression lorsque la cible est une valeur continue ou numérique.