Please enable JavaScript.

Coggle requires JavaScript to display documents.

4-Machine Learning - Coggle Diagram

- - - - 3.1.1.1. Modèle prédictif pour les valeurs continues.
    - - 3.1.2.1. Simple à interpréter.
    - - 3.1.3.1. Limité aux relations linéaires.
  - - - 3.2.1.1. Modèle de classification binaire.
    - - 3.2.2.1. Facile à implémenter.
    - - 3.2.3.1. Inefficace pour les classes rares.
  - - - 3.3.1.1. Modèle basé sur des règles pour classification ou régression.
    - - 3.3.2.1. Facile à interpréter.
    - - 3.3.3.1. Tendance au surapprentissage.
  - - - 3.4.1.1. Classifie les données avec une marge maximale.
    - - 3.4.2.1. Efficace pour les petites données.
    - - 3.4.3.1. Sensible aux paramètres de régularisation.
  - - - 3.5.1.1. Modèle basé sur des couches de neurones artificiels.
    - - 3.5.2.1. Perceptron Multicouche (MLP)
      - 3.5.2.2. Réseaux Convolutifs (CNN)
      - 3.5.2.3. Réseaux Récurrents (RNN)
    - - 3.5.3.1. Peut modéliser des relations complexes.
    - - 3.5.4.1. Nécessite un grand volume de données.
- - - - 2.1.1.1. Modèle entraîné sur un ensemble de données étiquetées pour prédire les étiquettes des nouvelles données.
    - - 2.1.2.1. Classification
        
        2.1.2.1.1. Prédire une catégorie, ex. : spam/non-spam.
      - 2.1.2.2. Régression
        
        2.1.2.2.1. Prédire une valeur continue, ex. : prix d'une maison.
    - - 2.1.3.1. Détection de fraude
      - 2.1.3.2. Diagnostic médical
      - 2.1.3.3. Prédiction des ventes
  - - - 2.2.1.1. Modèle entraîné sur des données non étiquetées pour identifier des modèles cachés.
    - - 2.2.2.1. Clustering (Regroupement)
        
        2.2.2.1.1. Groupement de données en clusters similaires.
        
        2.2.2.1.2. Algorithmes : K-Means, DBSCAN, Agglomerative Clustering.
      - 2.2.2.2. Réduction de Dimensionnalité
        
        2.2.2.2.1. PCA (Principal Component Analysis)
        
        2.2.2.2.2. t-SNE (t-Distributed Stochastic Neighbor Embedding)
    - - 2.2.3.1. Segmentation de clients
      - 2.2.3.2. Analyse d'anomalies
      - 2.2.3.3. Compression d'images
  - - - 2.3.1.1. Mélange d'apprentissage supervisé et non supervisé, utilisant un petit ensemble de données étiquetées et un grand ensemble non étiqueté.
    - - 2.3.2.1. Classification d'images
      - 2.3.2.2. Traitement du langage naturel
  - - - 2.4.1.1. Modèle apprend en interagissant avec un environnement et en recevant des récompenses ou des pénalités.
    - - 2.4.2.1. Agent
        
        2.4.2.1.1. Entité qui apprend.
      - 2.4.2.2. Environnement
        
        2.4.2.2.1. Monde dans lequel l'agent agit.
      - 2.4.2.3. Politique
        
        2.4.2.3.1. Stratégie de l'agent pour choisir ses actions.
      - 2.4.2.4. Fonction de Valeur
        
        2.4.2.4.1. Estime la récompense future escomptée.
    - - 2.4.3.1. Q-Learning
      - 2.4.3.2. Deep Q-Networks (DQN)
      - 2.4.3.3. Politique Proximale d'Optimisation (PPO)
    - - 2.4.4.1. Jeux vidéo
      - 2.4.4.2. Robotique
      - 2.4.4.3. Optimisation des portefeuilles financiers
- - - - 4.2.1.1. Mise à l'échelle des valeurs pour qu'elles soient comparables.
    - - 4.2.2.1. One-Hot Encoding
      - 4.2.2.2. Label Encoding
- - - - 5.3.1.1. Méthode consistant à diviser les données en k sous-ensembles pour un entraînement et une validation répétés.
    - - 5.3.2.1. K-Fold Cross-Validation
      - 5.3.2.2. Leave-One-Out Cross-Validation