Questions de mise en œuvre sur les algorithmes d'apprentissage automatique. Les questions générales sur l'apprentissage automatique doivent être publiées dans leurs communautés spécifiques.
L'apprentissage automatique s'articule autour du développement d'algorithmes informatiques d'auto-apprentissage qui fonctionnent en vertu de la découverte de modèles dans les données et de la prise de décisions intelligentes basées sur de tels modèles.
L'apprentissage automatique est un sous-domaine de l'informatique issu de l'étude de la reconnaissance des formes et de la théorie de l'apprentissage informatique en intelligence artificielle. L'apprentissage automatique explore la construction et l'étude d'algorithmes qui peuvent apprendre et faire des prédictions sur les données. De tels algorithmes fonctionnent en construisant un modèle à partir d'exemples d'entrées afin de faire des prédictions ou des décisions basées sur les données plutôt qu'en suivant des instructions de programme strictement statiques.
REMARQUE: si vous souhaitez utiliser cette balise pour une question qui ne concerne pas directement la mise en œuvre, envisagez de publier sur Informatique, Validation croisée, Science des données, ou Intelligence artificielleà la place. Sinon, vous êtes probablement hors sujet.
Problèmes classiques:
- Classification (apprentissage supervisé) classificationsupervised-learning
- Régression (apprentissage supervisé) regression
- Clustering (apprentissage non supervisé) cluster-analysisunsupervised-learning
- Estimation de la densité
- Échantillonnage
- Apprentissage par renforcement reinforcement-learning
Algorithmes pertinents:
- Analyse des composants principaux (PCA) pca
- Réseaux de neurones artificiels (ANN) neural-network
- Prise en charge des machines vectorielles (SVM) svmsupport-vector-machines
- K-plus proche voisin (kNN) knnnearest-neighbors
- k-means k-means
- Réseaux bayésiens bayesian-networks
- Modèle de mélange gaussien (GMM) mixture-model
- Arbres de décision decisiontrees
- Algorithmes génétiques genetic-algorithm
- Recuit simulé simulated-annealing
- Modèle de Markov caché (HMM) hidden-markov-models
- Champ aléatoire conditionnel (CRF)
- Filtre Kalman kalmankalman-filter
- Filtre à particules particle-filter
- Échantillonnage de Gibbs
- Modèles graphiques
- Méthodes d'ensemble (bagging, boosting, ...) ensemble-learning
- Deep learning deep-learning
- Q-Learning q-learning
Applications:
- Vision par ordinateur (par exemple, suivi d'objets, reconnaissance des gestes) computer-vision
- Reconnaissance d'image (par exemple, visage, démarche, iris, écriture manuscrite) image-recognitionface-recognitionocr
- Reconnaissance vocale speech-recognition
- Reconnaissance vocale voice-recognition
- Traitement du langage naturel (NLP) nlp
- Récupération d'informations musicales (MIR)
- Bioinformatique bioinformatics
- Filtrage du spam spam-filtering
- Détection d'anomalies anomaly-detection
- Conduite automatique automatique
- Système de recommandation recommendation-engine
- Traduction automatique machine-translation
Logiciel:
- LibSVMlibsvm
- Wekaweka
- Orangeorange
- Shogunshogun
- scikit-learnscikit-learn
- PyBrainpybrain
- Apache Mahoutmahout
- RapidMinerrapidminer
- KNIMEknime
- Gaufres
- Azure Machine Learningazure-machine-learning
- nltknltk
- Caffecaffe
- TensorFlowtensorflow
- Theanotheano
- Keraskeras
- OpenNMTopennmt
- XGBoostxgboost
- CatBoostcatboost
- Stanford CoreNLPstanford-nlp
Tags associés:
- supervised-learning
- unsupervised-learning
- deep-learning
- reinforcement-learning
- machine-learning
- computer-vision
- computer-science
- neural-network
- game-theory
- robotics
- ai
- automation
- classification
Conférences vidéo: -