Introduction à l’apprentissage automatique

Sommaire

• Chapitre I: Introduction
  • I-1 Motivation
  • I-2 Applications
  • I-3 Types des algorithmes d’apprentissage
  • I-4 Limites de l’apprentissage automatique
  • I-5 Outils de l’apprentissage automatique
  • I-6 Méthodologies de science des données
  • I-7 Un peu de programmation
• Chapitre II: Préparation des données
  • II-1 Collection des données
  • II-2 Nettoyage des données
  • II-3 Transformation des données
  • II-4 Échantillonnage et fractionnement des données
  • II-5 Outils de préparation des données
  • II-6 Un peu de programmation
• Chapitre III: Classification naïve bayésienne
  • III-1 Classification
  • III-2 Apprentissage
  • III-3 Exemples
  • III-4 Avantages
  • III-5 Limites
  • III-6 Un peu de programmation
• Chapitre IV: Arbre de décision
  • IV-1 Description
  • IV-2 ID3
  • IV-3 C4.5
  • IV-4 CART
  • IV-5 Avantages
  • IV-6 Limites
  • IV-7 Un peu de programmation
• Chapitre V: Régression
  • V-1 Motivation
  • V-2 Régression linéaire
  • V-3 Régression polynomiale
  • V-4 Régression logistique
  • V-5 Avantages
  • V-6 Limites
  • V-7 Un peu de programmation

• Chapitre VI: Machine à vecteurs de support

• Chapitre VII: Réseau de neurones artificiels
  • VII-1 Motivation

• Chapitre VIII: Regroupement K-Means

• Chapitre IX: Réduction de la dimensionnalité

• Chapitre X: Apprentissage par renforcement

Glossaire

• caractéristique [feature] Dans une base de donnée, c’est l’équivalent de “attribut”
• classement [classification] le classement fait référence à l’action de classer donc de “ranger dans une classe”.
• échantillon [sample] Dans une base de données, c’est l’équivalent de “enregistrement”
• entraînement [training]
• regroupement [clustering] le regroupement fait référence à l’action de diviser un ensemble de données en différents “paquets” homogènes qui partagent des caractéristiques communes.