Apprentissage automatique classique
Bienvenue dans la leçon 6 du cours Concepts d'intelligence artificielle (COMP5511). Cette séance fait le lien entre les fondements théoriques et les implémentations algorithmiques concrètes. Si l'IA moderne met souvent l'accent sur l'apprentissage profond, Apprentissage automatique classique reste le socle de l'analyse de données. Ces algorithmes offrent une grande interprétabilité et une efficacité computationnelle, ce qui en fait le choix privilégié pour les données structurées et l'analyse conformes aux standards du secteur.
1. Apprentissage supervisé
Ce paradigme consiste à entraîner un modèle sur un ensemble de données étiquetées, 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 pour de nouvelles données inédites.
- Arbres de décision: modèles qui divisent les données en branches pour aboutir à une décision de classification ou à une valeur numérique.
- Machines à vecteurs de support (SVM): algorithmes qui trouvent l' hyperplan optimal afin de maximiser la marge entre les différentes classes de données.
2. Apprentissage non supervisé
Ces algorithmes analysent des données non étiquetées pour découvrir des motifs, des structures ou des regroupements cachés, sans indication préalable sur le résultat attendu. Les techniques clés incluent :
- Regroupement K-means: regrouper les points de données en K groupes distincts selon la similarité de leurs caractéristiques.
- Analyse en composantes principales (ACP): une réduction de dimensionnalité technique utilisée pour simplifier des données complexes tout en conservant leur variance essentielle.