Apprentissage automatique

L’apprentissage automatique étudie les systèmes dont le comportement est ajusté à partir de données ou d’interactions, plutôt qu’entièrement défini à la main. L’algorithme n’est qu’une partie du système : la question posée, le processus de génération des données, l’objectif, le protocole d’évaluation et les conditions de déploiement déterminent ensemble si le résultat est utile.

Familles de problèmes

Famille	Signal d’apprentissage	Question type
Apprentissage supervisé	entrées associées à des cibles	prédire un résultat pour un nouveau cas
Apprentissage non supervisé	observations sans étiquettes liées à la tâche	découvrir une structure ou une représentation utile
Apprentissage auto-supervisé	cibles construites à partir des données elles-mêmes	apprendre des représentations réutilisables ou des prédictions conditionnelles
Apprentissage par renforcement	actions, transitions d’état et récompenses	choisir un comportement qui améliore le rendement à long terme

Ces familles peuvent se recouper. Un réseau neuronal profond décrit une classe de modèles, et non une source de supervision distincte.

Séquence de travail

1. Définir la décision ou la cible de prédiction, ainsi qu’une référence explicite.
2. Examiner la collecte, l’échantillonnage, les étiquettes, les données manquantes et les risques de fuite.
3. Choisir une fonction de perte qui représente l’objectif d’entraînement et des métriques qui correspondent à l’usage réel.
4. Ajuster le modèle uniquement sur les données d’entraînement ; utiliser les données de validation pour les choix et réserver le jeu de test à l’évaluation finale.
5. Comparer les erreurs entre les groupes, périodes et conditions d’exploitation pertinents.
6. Après le déploiement, surveiller les changements de distribution, les boucles de rétroaction, la confidentialité et le coût des défaillances.

Parcours sur le site

• Concepts généraux présente le vocabulaire commun.
• Modèles linéaires fournit des références interprétables pour la régression et la classification.
• Apprentissage profond développe l’apprentissage de représentations et les architectures neuronales.
• Science des données couvre la boucle plus large de constitution des preuves et de reproductibilité.

Berkeley CS 189 constitue le principal parcours externe. Les services commerciaux, les API de modèles actuelles et les instantanés de benchmarks évoluent plus rapidement que ces fondements et doivent donc être traités ailleurs.

Mes lectures · Les notes ouvertes sont mémorisées dans ce navigateur.