Cours 9 - intro à l'apprentissage machine

Question 1

Renaissance du AI

Answer 1

big data + puissance de calcul

Question 2

Data science

Answer 2

tous ce qui nous permet de manipuler des données.
ex: sc method, data engineering, domain expertise, hacker mindset, visualization, advanced computing, stats et maths.

Question 3

appr machine/automatique/statistique

Answer 3

algorithmes informatiques analysent un ensemble de données -> déduire les règles -> nvlles connaissances -> permet analyse de nvlles situations.
2 choses :
- prédire une évolution (ex : symptomes)
- classifier (patients et pers non malades)

Question 4

apprentissage supervisée

Answer 4

données labélisées (classes prédeterminer).
donnée d’entrainement -> algo -> prédictions
données test -> algo est tester pour voir si il sait généraliser -> prédictions
pour appr on doit extraire les attribus.

Question 5

classification linéaire vs non-linéaire

Answer 5

info -> attributs -> classification
Linéaire :
- séparables : fonction de décision = fonctions fixée par chercheur. divise graph comportant données de base en 2. ce qui se trouver à droite fait partie de x et à gauche y.
Non-linéaire :
- non-séparables : passe par un arbre de décision. ex: 4 étapes car on a mis 4 lignes.

astuce du noyau = Transformer un problème de class non linéaire en un linéaire.

Question 6

apprentissage supervisé bilan

Answer 6

données d’entrainement -> phase de training -> classifieur -> phase de tests avec données de test -> performance en %. x5
validation croisée = on échange les sets de training et test.

Question 7

apprentissage non-supervisée :

Answer 7

pas labélisées, catégories/classes détérmniner par l’algo.

méthode a base de voisinage (KNN) : on compte le nb de pts proche au point qu’on veut classer si il y a plus de rouges que de bleu et sont plus proche, then c rouge. utilise arbre de désicion.

Question 8

sous appr vs sur appr

Answer 8

sur appris = problème de généralisation
sous appris = aboutit a probleme, erreur.

Question 9

classification vs regression

Answer 9

classification accuracy, discrete (class labels) et matrice de confusion : +on a de class + chances de se tromper. 2 classes = 50% ; 4 classes = 25% ; 8 classes = 12,5%
vs
regression = moyenne, moyenne ^2 et R^2.

Question 10

Decoding accuracy

Answer 10

pour évaluer la validité statistique du DA :
- loi binomiale : détermine % à dépasser en fonction de p et N. approche paramétrique
- test de permutations : générer distribution nulle à partir des mêmes données en mélangeant aléatoirement les étiquettes. approche non paramétrique

Question 11

shallow vs deep learning

Question 12

le AI aide la neuroscience

Answer 12

1) reverse engineering the brain
2) data-mining tool
- données cérébrales multi-dimensionnelles et complexe
- fouille des données grâce à AI
- identification de « marqueurs » pertinents via leur capacité à discriminer des processus cognitifs ou conditions cliniques
- modélisation du traitement de l’info