Apprentissage supervise PDF
discrimination/classement : • Y = {1, . . . , q} : q classes d’objets • prévision : placer une nouvelle observation x dans une des q classes • applications : diagnostic médical (malade/sain), reconnaissance de caractères, etc discrimination/classement : • Y = {1, . . . , q} : q classes d’objets • prévision : placer une nouvelle observation x dans une des q classes • applications : diagnostic médical (malade/sain), reconnaissance de caractères, etc. ranking/scoring : • apprendre un ordre sur un ensemble d’objets • prévision : donner des objets intéressants (grands au sens de l’ordre) ; dire si un objet est plus intéressant qu’un autre ; donne un score d’intérêt à un objet • Y = {0, 1} : 1 pour intéressant, 0 pour inintéressant • autres choix possibles pour Y (par ex. R ou tout ensemble ordonné) • applications : recherche d’informations (page rank de Google), suggestions (amazon, netflix). régression : • Y = R ou Y = R p • prévision : associer une valeur numérique à une nouvelle observation • applications : certaines formes de scoring (note d’un objet, d’un consommateur), prévisions de la valeur future d’une action, etc . régression : • Y = R ou Y = R p • prévision : associer une valeur numérique à une nouvelle observation • applications : certaines formes de scoring (note d’un objet, d’un consommateur), prévisions de la valeur future d’une action, etc. sortie structurée : • Y est un ensemble structuré complexe : ensemble de fonctions, chaînes de caractères, arbres, graphes, etc. • prévision : associer un objet de l’ensemble complexe à une nouvelle observation • application : inférence grammaticale (associer un arbre de syntaxe à un texte), traduction automatique, etc.
Cours: