Apprentissage Automatique Classique

Bienvenue à la Leçon 6 des Concepts d'Intelligence Artificielle (COMP5511). Cette session sert de pont entre les fondations théoriques et les implémentations algorithmiques pratiques. Alors que l'IA moderne met souvent l'accent sur le Deep Learning, Apprentissage Automatique Classique reste le fondement de l'analyse de données. Ces algorithmes offrent une haute interprétabilité et efficacité computationnelle, ce qui en fait le choix privilégié pour les données structurées et l'analyse standard de l'industrie.

1. Apprentissage Supervisé

Ce paradigme implique l'entraînement d'un modèle sur un jeu de données étiqueté, où l'algorithme apprend la relation entre les caractéristiques d'entrée et une sortie cible spécifique. Cela permet au modèle de prédire des résultats pour de nouvelles données invisibles avec précision.

• Arbres de Décision: Modèles qui divisent les données en branches pour parvenir à une classification ou à une décision numérique.
• Machines à Vecteurs de Support (SVM): Algorithmes qui trouvent hyperplan optimal pour maximiser la marge entre différentes classes de données.

2. Apprentissage Non Supervisé

Ces algorithmes analysent des données non étiquetées pour découvrir des motifs, des structures ou des regroupements cachés sans aucune directive préalable sur ce que devrait être la sortie. Les techniques clés incluent :

• Regroupement K-moyennes: Regrouper des points de données en K groupes distincts en fonction des similitudes de caractéristiques.
• Analyse en Composantes Principales (ACP): Une technique de réduction de dimensionnalité utilisée pour simplifier des données complexes tout en conservant leur variance essentielle.