Apprentissage automatique classique

Bienvenue au cours 6 des Concepts de l'intelligence artificielle (COMP5511). Cette session constitue un pont entre les fondements théoriques et les implémentations algorithmiques concrètes. Bien que l'IA moderne mette souvent l'accent sur l'apprentissage profond, Apprentissage automatique classique reste la base de l'analyse des données. Ces algorithmes offrent une grande interprétabilité et efficacité computationnelle, ce qui en fait le choix privilégié pour les données structurées et l'analyse standardisée par l'industrie.

1. Apprentissage supervisé

Ce paradigme consiste à entraîner un modèle sur un jeu 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 prédire avec précision les résultats pour de nouvelles données inconnues.

• Arbres de décision: Des modèles qui divisent les données en branches afin d'atteindre une classification ou une décision numérique.
• Machines à vecteurs de support (SVM): Des algorithmes qui trouvent la hyperplan optimal afin de maximiser la marge entre les différentes classes de données.

2. Apprentissage non supervisé

Ces algorithmes analysent des données non étiquetées afin de découvrir des motifs, des structures ou des regroupements cachés, sans aucune indication préalable sur la forme attendue de la sortie. Les techniques clés incluent :

• Regroupement K-moyennes: Regrouper les points de données en K groupes distincts basés sur leurs similitudes fonctionnelles.
• Analyse en composantes principales (ACP): Une technique de réduction de dimensionnalité utilisée pour simplifier des données complexes tout en conservant leur variance essentielle.