Les modèles de machine learning les plus connus et utilisés peuvent être regroupés en 3. Dans cet article, nous allons essayer de présenter simplement l'approche linéaire, l'approche en arbres et les réseaux de neurones.
L'approche linéaire
Un modèle linéaire utilise une formule simple pour trouver une droite qui modélise au mieux les points des données. Cette méthode remonte à plus de 200 ans, et elle a été beaucoup utilisée en statistiques et en machine learning. Elle est très utile en statistiques par sa simplicité - la variable que l'on veut prédire est représentée par une équation de variables que l'on connaît (variables indépendantes), pour la prédiction, il s'agit donc juste d'entrer les variables indépendantes et l'équation donne la réponse.
L'approche en arbres
Quand on parle d'arbres, il faut penser arbres de décision, c'est- à-dire une succession d'opérations de segmentation.
Un arbre de décision est un graphe qui utilise une méthode de segmentation pour montrer chaque conséquence possible d'une décision.
En machine learning, les branches de l'arbres sont utilisées comme des réponses oui/non.
Les réseaux de neurones
Les réseaux de neurones font référence à un phénomène biologique composé de neurones interconnectés qui échangent des messages entre eux. Cette idée a été adaptée au monde du machine learning et elle est appelée "réseaux de neurones artificiels".
Le deep learning peut être réalisé avec plusieurs couches de réseaux de neurones empilées les unes sur les autres.
Les "réseaux de neurones artificiels" sont une famille de modèles qui sont enseignés pour adopter des compétences cognitives.
Rédactrice : Marie-Julie PICAS