Introduction aux algorithmes d'apprentissage automatique

<p>Une classification avec deux valeurs possibles (C)</p> Signup and view all the answers

<p>Quantités continues (D)</p> Signup and view all the answers

<p>Car on ne connaît jamais la vraie fonction (C)</p> Signup and view all the answers

<p>Mesurer la performance d'une hypothèse sur de nouveaux exemples (A)</p> Signup and view all the answers

<p>Prédire correctement des valeurs sur de nouveaux exemples (D)</p> Signup and view all the answers

<p>Combinaison de données étiquetées et non-étiquetées. (D)</p> Signup and view all the answers

<p>L'agent apprend grâce à des récompenses et des punitions. (B)</p> Signup and view all the answers

<p>Régression linéaire (D)</p> Signup and view all the answers

<p>Apprentissage par renforcement (D)</p> Signup and view all the answers

<p>Regroupement K-means (B)</p> Signup and view all the answers

<p>Il suppose l'indépendance des caractéristiques conditionnellement à une classe. (C)</p> Signup and view all the answers

<p>Machine à vecteurs de support. (A)</p> Signup and view all the answers

<p>Sélectionner l'algorithme le plus adéquat pour un problème donné. (B)</p> Signup and view all the answers

<p>Distance Euclidienne (A)</p> Signup and view all the answers

<p>(3.67, 5.33) (C)</p> Signup and view all the answers

<p>Les centroïdes ne changent plus ou changent légèrement (C)</p> Signup and view all the answers

<p>Calculer la distance de chaque point à tous les centroïdes (C)</p> Signup and view all the answers

<p>1/2.((1,2) + (2,2)) (B)</p> Signup and view all the answers

<p>C2 (D)</p> Signup and view all the answers

<p>(4.5, 7) (B)</p> Signup and view all the answers

<p>(2,2) (B), (1,2) (D)</p> Signup and view all the answers

<p>y = w1.x + w0 (A)</p> Signup and view all the answers

<p>Régression linéaire (A)</p> Signup and view all the answers

<p>Perte quadratique L2 (B)</p> Signup and view all the answers

<p>0.232 (B)</p> Signup and view all the answers

<p>La fonction atteint un minimum (D)</p> Signup and view all the answers

<p>$L2 = ext{Somme}((y_j - (w_1 x_j + w_0))^2)$ (D)</p> Signup and view all the answers

<p>Vecteur de poids (A)</p> Signup and view all the answers

<p>w1 = 0.232, w0 = 246 (D)</p> Signup and view all the answers

<p>Couleur, rondeur et diamètre (A)</p> Signup and view all the answers

<p>Pour déterminer si un fruit est une pomme (C)</p> Signup and view all the answers

<p>Il suppose que les caractéristiques sont indépendantes (B)</p> Signup and view all the answers

<p>p(Couleur = Rouge | Pomme = Oui) (B)</p> Signup and view all the answers

<p>Calculer p(Couleur | Pomme = Oui) (B)</p> Signup and view all the answers

<p>Représenter une pomme dans l'exemple (A)</p> Signup and view all the answers

<p>Les mêmes caractéristiques que pour CY (A)</p> Signup and view all the answers

<p>Pour obtenir une probabilité exacte (B)</p> Signup and view all the answers

<p>Ils sont résistants au surapprentissage et peuvent représenter des fonctions complexes. (A)</p> Signup and view all the answers

<p>Le séparateur qui maximise la distance entre lui et les exemples les plus proches. (B)</p> Signup and view all the answers

<p>Ils sont les exemples les plus proches de la séparatrice. (B)</p> Signup and view all the answers

<p>En minimisant la perte en généralisation attendue. (D)</p> Signup and view all the answers

<p>Il prend un vecteur d'attributs et renvoie une unique décision. (A)</p> Signup and view all the answers

<p>Il pourrait mal généraliser avec de nouveaux exemples. (A)</p> Signup and view all the answers

<p>La zone entre les droites en pointillés qui entoure le séparateur. (C)</p> Signup and view all the answers

<p>Maximiser la séparation entre les classes à partir des vecteurs de support. (C)</p> Signup and view all the answers

Une technique d'apprentissage automatique qui utilise des données étiquetées et non étiquetées pour entrainer un modèle.

Une technique d'apprentissage semi-supervisé utilisant des données étiquetées pour entrainer un modèle, puis utilisant ce modèle pour étiqueter les données non étiquetées.

Une technique d'apprentissage automatique où un agent apprend par essais et erreurs, recevant des récompenses ou des pénalités pour ses actions.

Un type d'algorithme d'apprentissage automatique où la machine apprend à partir de données étiquetées.

Un type d'algorithme d'apprentissage automatique où la machine apprend à partir de données non étiquetées.

Un algorithme de classification probabiliste qui suppose que les caractéristiques d'un objet sont indépendantes les unes des autres.

Un algorithme de régression qui tente de trouver une relation linéaire entre les variables d'entrée et la variable de sortie.

Un algorithme de classification qui utilise une fonction logistique pour prédire la probabilité qu'un objet appartienne à une classe particulière.

Un problème d'apprentissage supervisé visant à prédire une valeur numérique continue (par exemple, température, poids, probabilité).

Un problème d'apprentissage supervisé visant à prédire une catégorie discrète (par exemple, ensoleillé, nuageux, pluie, tumeur ou non).

L'ensemble d'exemples utilisés pour entraîner un algorithme d'apprentissage supervisé.

L'ensemble de données utilisé pour évaluer la performance d'un algorithme d'apprentissage supervisé après l'entraînement.

La capacité d'un algorithme d'apprentissage à prédire correctement sur des données non utilisées pendant l'entraînement.

Une fonction mathématique apprise par l'algorithme d'apprentissage pour représenter la relation entre les entrées et les sorties.

L'espace de toutes les fonctions possibles que l'algorithme peut utiliser pour apprendre.

Une fonction mathématique qui décrit une ligne droite, définie par l'équation y = w1.x + w0, où w0 et w1 sont des constantes représentant les poids ou les coefficients.

Les valeurs des coefficients w0 et w1 dans l'équation linéaire y = w1.x + w0, qui déterminent la pente et l'intersection de la ligne.

Une fonction qui mesure l'erreur entre les prédictions du modèle linéaire et les valeurs réelles des données.

Une fonction de perte courante en régression linéaire qui mesure l'erreur au carré entre les prédictions et les données.

Minimiser la fonction de perte quadratique en trouvant les valeurs optimales des poids w0 et w1.

Les valeurs des poids w0 et w1 qui minimisent la fonction de perte quadratique, conduisant à la meilleure droite possible pour les données.

L'hypothèse selon laquelle les variables d'entrée sont indépendantes les unes des autres, c'est-à-dire qu'une variable n'affecte pas la probabilité d'une autre.

Une technique de classification qui utilise la probabilité conditionnelle pour prédire l'appartenance d'un élément à une classe particulière.

La probabilité d'un événement donné qu'un autre événement est déjà arrivé.

La probabilité d'un événement indépendant de tout autre événement.

Le calcul de la probabilité d'une classe donnée étant donné une instance particulière.

L'ensemble des données d'entrée utilisées pour entrainer un modèle d'apprentissage automatique.

Une mesure de la performance d'un modèle de classification. Elle indique la proportion d'instances correctement classées.

Une mesure de la performance d'un modèle de classification. Elle indique la proportion d'instances positives correctement prédites.

Trouver la limite de décision la plus large possible entre deux ensembles de données, en utilisant la marge maximale.

Les points de données les plus proches de la limite de décision dans une classification SVM.

Un algorithme d'apprentissage automatique qui cherche à trouver la meilleure limite de décision pour séparer les données en classes, en maximisant la marge entre les classes.

Une fonction de classification qui utilise une droite ou une hyperplan pour séparer les données en deux classes.

Un algorithme d'apprentissage automatique qui utilise un arbre pour représenter les décisions basées sur des attributs.

Une mesure de la performance d'un algorithme d'apprentissage automatique, indiquant la moyenne des erreurs sur un ensemble de données.

Une mesure de la performance d'un algorithme d'apprentissage automatique, indiquant la moyenne des erreurs sur un ensemble de données non vues pendant l'entraînement.

Le processus de recalcul des positions des centroïdes dans l'algorithme K-means en utilisant la moyenne des points qui leur sont associés.

Le concept de déterminer à quel centroïde un point donné est le plus proche en utilisant la distance euclidienne.

La mesure de proximité entre deux points dans l'espace, calculée en prenant la racine carrée de la somme des carrés des différences entre leurs coordonnées.

Le point central d'un cluster dans l'algorithme K-means, qui représente la moyenne des points qui lui sont associés.

L'ensemble des points qui sont les plus proches d'un centroïde particulier.

Le nombre de fois que l'algorithme K-means recalcule les positions des centroïdes et affecte les points aux clusters.

La condition qui arrête l'algorithme K-means, lorsqu'il n'y a plus de changement significatif dans la position des centroïdes.

Le processus de division d'un ensemble de données en groupes distincts appelés clusters, en fonction de leurs similarités.