b) Types d'apprentissage
Les algorithmes de Machine Learning peuvent être
divisés en quatre groupes principaux : l'apprentissage
supervisé, l'apprentissage non supervisé, L'apprentissage par
renforcement etl'apprentissage en profondeur .
(1) Apprentissage supervisé
L'algorithme de Machine Learning dispose d'un ensemble de
données d'entrée suffisamment grand pour servir d'exemple de
sortie ou d'événement, généralement
préparé en consultation avec l'expert en la matière d'un
domaine donné. L'objectif de l'algorithme est d'apprendre des
modèles dans les données et de construire un ensemble
général de règles pour faire correspondre l'entrée
à la classe ou à l'événement. De manière
générale, il existe deux types d'algorithmes d'apprentissage
supervisé couramment utilisés :
· Régression :La sortie
à prédire est un nombre continu en rapport avec un ensemble de
données d'entrée donné.
· Classification : La sortie
à prédire est une probabilité d'appartenir à une
classe. L'algorithme doit apprendre les modèles dans l'entrée
pertinente de chaque classe à partir de données historiques.
Enfin il doit être capable de prédire des nouvelles classes dans
le futur en tenant compte des données d'entrée.
(2) Apprentissage non
supervisé
Il existe des situations où la classe ou
l'événement de sortie souhaité est inconnu pour les
données historiques. Dans ce cas, l'objectif est d'étudier les
modèles dans l'ensemble de données d'entrée afin de mieux
comprendre et d'identifier les modèles similaires qui peuvent être
regroupés dans des classes ou des événements
spécifiques.
· Regroupement : supposons que les
classes ne soient pas connues à l'avance pour un ensemble de
données donné. L'objectif ici est de diviser l'ensemble de
données d'entrée en groupes logiques d'éléments
connexes.
· Réduction des dimensions :
l'objectif est ici de simplifier un grand ensemble de données
d'entrée en les transposant dans un espace de dimension
inférieure. Par exemple, l'analyse d'un ensemble de données de
grande dimension nécessite des ressources informatiques importantes.
Pour simplifier, il est possible donc de trouver des variables clés qui
contiennent un pourcentage significatif.
(3) Apprentissage par renforcement
Cette technique consiste pour la machine à
améliorer son comportement à partir d'une méthode d'essai
et d'erreur dans un dynamique environnement. Ici, le problème est
résolu par prise de décision approprié dans une certaine
situation pour maximiser le rendement et obtenir les résultats
acquis.
|