| 42.1.1.1 |
txt |
|
"Apprentissage automatique" (p. 42.1) |
|
| 42.1.1.2 |
dic |
Titre |
|
|
| 42.1.2.1 |
txt |
|
"Le vaste domaine du machine learning, ou apprentissage automatique, est défini comme le champ de l’IA qui utilise des méthodes probabilistes pour apprendre à partir des données sans être programmé explicitement" (p. 42.1) |
|
| 42.1.2.2 |
dic |
Peut-on appeler cela de programmation implicite ? |
|
|
| 42.1.4.1 |
txt |
|
"D’un point de vue pratique, le machine learning vise notamment à identifier des tendances, à faire des prévisions sur des données (régressions linéaires et non linéaires), à découvrir des corrélations entre données et événements (comme pour déterminer si un logiciel est un virus, si un client risque de quitter un service sur abonnement ou au contraire, s’il sera intéressé par telle ou telle offre ou qu’un tableau clinique d’un patient est symptomatique de l’émergence d’une pathologie de longue durée), à segmenter des jeux de données (comme une base clients), à reconnaître des objets (des lettres, des objets dans des images), le tout en exploitant des données d’entraînement" (p. 42.1) |
|
| 42.1.4.2 |
dic |
Prévision de la tendance. Et autres! |
|
|
| 42.1.6.1 |
txt |
|
"Selon son père fondateur Arthur Samuel, qui en définit le terme en 1959, le machine learning donne aux machines la capacité d’apprendre sans être explicitement programmées" (p. 42.1) |
|
| 42.1.6.2 |
dic |
Il est possible d'apprendre aux machines de façon non explicite. |
|
|
| 42.1.7.1 |
txt |
|
" Le machine learning requiert presque toujours de faire des choix de méthodes et des arbitrages manuels pour les data scientists et les développeurs de solutions" (p. 42.1) |
|
| 42.1.8.1 |
txt |
|
" Le choix des méthodes reste pour l’instant manuel, même si certaines startups essayent d’automatiser ce processus" (p. 42.1) |
|
| 42.1.10.1 |
txt |
|
"L’apprentissage automatique s’appuie sur des données existantes" (p. 42.1) |
|
| 42.1.10.2 |
dic |
Existe. Il doit y avoir des données existantes pour pouvoir utiliser l'apprentissage automatique. |
|
|
| 42.1.7.2 |
dic |
Il y a des opérations manuelles contraignante. Mais quelle direction Montréal fournissent le? Mais quelle direction un réel fourni stable? Mais quelle direction réel fournissent-t-elle? |
|
|
| 42.1.11.1 |
txt |
|
" Elles lui permettent de produire des prévisions, des segmentations ou des labels à partir de la généralisation d’observations" (p. 42.1) |
|
| 42.1.8.2 |
dic |
Il y a actuellement des essais d'automatiser cette étape |
|
|
| 42.1.11.2 |
dic |
Différents types de résultat de l'apprentissage automatique |
|
|
| 42.1.12.1 |
txt |
|
" La qualité et la distribution statistique des données d’entraînement doit permettre de faire des prévisions de bon niveau" (p. 42.1) |
|
| 42.1.13.2 |
dic |
Il va y avoir une couverture complète de l'ensemble du spectre de données pour obtenir des résultats optimal |
|
|
| 42.1.13.1 |
txt |
|
" Si les données ne représentent pas correctement l’espace du possible, les prévisions ou classifications ne seront pas bonnes et elles seront biaisées" (p. 42.1) |
|
| 42.1.14.1 |
txt |
|
" Les données sont donc absolument critiques pour la qualité des résultats" (p. 42.1) |
|
| 42.1.12.2 |
dic |
Qu'est-ce qu'une distributions statistiques? |
|
|
| 42.1.14.2 |
dic |
Les données sont importantes |
|
|
| 42.1.16.2 |
dic |
L'adaptabilité |
|
|
| 42.1.16.1 |
txt |
|
"Un bon système de machine learning doit pouvoir s’adapter à différentes contraintes comme une évolution permanente des données d’entraînement, ainsi que leur incomplétude et leur imperfection" (p. 42.1) |
|
| 42.1.19.2 |
dic |
La récréation permet quoi exactement? |
|
|
| 42.1.19.1 |
txt |
|
"L’apprentissage supervisé avec la classification qui permet de labelliser des objets comme des images et la régression qui permet de réaliser des prévisions sur des valeurs numériques" (p. 42.1) |
|
| 42.1.20.2 |
dic |
L'entraînement consiste à donner de l'information ou plutôt un questionnement en donnant des réponses. Je recommence. Dans l'entraînement, nous donnons des questions et des réponses afin qu'il puisse s'entraîner à reconnaître ensuite |
|
|
| 42.1.20.1 |
txt |
|
" L’apprentissage est supervisé car il exploite des bases de données d’entraînement qui contiennent des labels ou des données contenant les réponses aux questions que l’on se pose" (p. 42.1) |
|
| 42.1.21.1 |
txt |
|
" En gros, le système exploite des exemples et acquiert la capacité à les généraliser ensuite sur de nouvelles données de production" (p. 42.1) |
|
| 42.1.21.2 |
dic |
Il y a une généralisation possible après l'entraînement sur des données de production. |
|
|