Article sur l'intelligence artificielle

 

Types d'algorithmes  Machine Learning

Nous ferons un tour pour en savoir plus sur les algorithmes d'apprentissage automatique les plus célèbres.

Il est utile de faire le tour des principaux algorithmes dans ce domaine pour connaître les méthodes disponibles.

Il existe de nombreux algorithmes qui peuvent sembler écrasants lorsque vous trouvez les noms des algorithmes et on s'attend à ce qu'ils sachent exactement ce qu'ils sont et où ils s'intègrent.

Je veux vous donner deux façons de penser et de classer les algorithmes que vous pourriez rencontrer dans ce domaine.

Le premier est le regroupement des algorithmes par style d'apprentissage.

La seconde consiste à regrouper les algorithmes en fonction de leur similitude de forme ou de fonction (comme le regroupement d'animaux similaires).

Les deux approches sont utiles, mais nous allons nous concentrer sur le regroupement des algorithmes par similarité et faire le tour d'une variété de différents types d'algorithmes.

Algorithmes regroupés par style d'apprentissage (Learning style)

Un algorithme peut modéliser un problème de différentes manières en fonction de son interaction avec une expérience, un environnement ou tout ce que nous voulons appeler les données d'entrée.

Il est courant dans les livres d'apprentissage automatique et d'intelligence artificielle de penser d'abord aux méthodes d'apprentissage qu'un algorithme peut adopter.

Il n'y a que quelques modèles d'apprentissage majeurs ou modèles d'apprentissage qu'un algorithme peut avoir et nous les passerons en revue ici avec quelques exemples d'algorithmes et les types de problèmes auxquels ils correspondent.

Cette classification ou cette façon d'organiser les algorithmes d'apprentissage automatique est utile car elle vous oblige à réfléchir aux rôles des données d'entrée et au processus de préparation du modèle et à choisir celui qui convient le mieux à votre problème afin d'obtenir le meilleur résultat.

1. Apprentissage supervisé (Supervised learning)

Les données d'entrée sont appelées données de formation et ont une étiquette ou un résultat connu comme arnaque/non-fraude ou cours de l'action à chaque fois.

Le modèle est préparé par un processus de formation dans lequel des prédictions sont demandées et corrigées lorsque ces prédictions sont erronées. Le processus de formation se poursuit jusqu'à ce que le modèle atteigne le niveau de précision requis sur les données de formation.

Des exemples de problèmes sont la classification et la régression.

Exemples d'algorithmes : régression logistique et réseau neuronal de rétropropagation.

2. Apprentissage non supervisé (Unsupervised learning)

Les données d'entrée ne sont pas classifiées et n'ont pas de résultat connu. Algorithmes d'apprentissage non supervisés

Le modèle est préparé en inférant les structures dans les données d'entrée. Cela peut être pour extraire des règles générales. Cela peut être par un processus mathématique réduisant systématiquement la redondance, ou cela peut organiser les données par similarité.

Des exemples de problèmes sont l'agrégation, la réduction de la dimensionnalité et l'apprentissage des règles d'association.

Des exemples d'algorithmes incluent : l'algorithme d'Apriori et K-Means.

3.Algorithmes de régression (regression algorithms)

La régression concerne la modélisation de la relation entre des variables fréquemment révisées à l'aide de la mesure d'erreur des prédictions fournies par le modèle.

Les méthodes de régression sont l'épine dorsale des statistiques et ont été choisies en apprentissage automatique statistique. Cela peut prêter à confusion car nous pouvons utiliser la régression pour faire référence à la classe de problème et à la classe d'algorithme. En réalité, la régression est un processus.

Les algorithmes de régression les plus populaires sont :

1. Ordinary Least Squares Regression (OLSR)
2. Linear Regression
3. Logistic Regression
4. Stepwise Regression
5. Multivariate Adaptive Regression Splines (MARS)
6. Locally Estimated Scatterplot Smoothing (LOESS)

4.Algorithmes basés sur des instances

Un modèle d'apprentissage basé sur les instances est un problème de décision avec des exemples ou des exemples de données d'apprentissage importantes ou requises pour le modèle.

Ces méthodes créent généralement une base de données d'exemples de données et comparent les nouvelles données à la base de données à l'aide d'une mesure de similarité afin de trouver la meilleure correspondance et de faire une prédiction. Pour cette raison, les méthodes basées sur les instances sont également appelées méthodes gagnant-gagnant et apprentissage basé sur la mémoire. L'accent est mis sur la représentation des instances stockées et les mesures de similarité utilisées entre les instances.

Les algorithmes basés sur des instances les plus populaires sont :

• k-Nearest Neighbor (kNN)
• Learning Vector Quantization (LVQ)
• Self-Organizing Map (SOM)
• Locally Weighted Learning (LWL)
• Support Vector Machines (SVM)

5.Algorithmes de régularisation

Une extension d'une autre méthode (généralement des méthodes de régression) qui pénalise les modèles en fonction de leur complexité, préférant des modèles plus simples qui sont également meilleurs à la généralisation.

J'ai inclus les algorithmes de normalisation séparément ici car ce sont des modifications courantes, puissantes et généralement simples apportées à d'autres méthodes.

Les algorithmes de règlement les plus courants sont :

• Ridge Regression
• Least Absolute Shrinkage and Selection Operator (LASSO)
• Elastic Net
• Least-Angle Regression (LARS)

6.Algorithmes d'arbre de décision (Decision tree algorithms)

Les méthodes d'arbre de décision modélisent les décisions prises en fonction des valeurs réelles des attributs dans les données.

Les décisions se divisent en structures arborescentes jusqu'à ce qu'une décision de prédiction soit prise pour un enregistrement particulier. Les arbres de décision sont formés sur les données pour les problèmes de classification et de régression. Les arbres de décision sont souvent rapides, précis et largement préférés dans l'apprentissage automatique.

Les algorithmes d'arbre de décision les plus populaires sont :

• Classification and Regression Tree (CART)
• Iterative Dichotomiser 3 (ID3)
• Decision Stump
• M5
• Conditional Decision Trees

7.Algorithmes de clustering

Le clustering, comme la régression, décrit une classe de problèmes et une classe de méthodes.

Les méthodes de clustering sont généralement organisées par des approches de modélisation telles que le centroïde et la hiérarchie. Toutes les méthodes visent à utiliser les structures inhérentes aux données pour organiser au mieux les données en groupes de points communs maximum.

Les algorithmes de clustering les plus courants sont :

• k-Means
• k-Medians
• Expectation Maximisation (EM)
• Hierarchical Clustering

8.Algorithmes de réseaux de neurones (Artificial Neural Network Algorithms) 

Les réseaux de neurones artificiels sont des modèles inspirés de la structure et/ou de la fonction des réseaux de neurones biologiques.

C'est une classe de correspondance de modèles couramment utilisée pour les problèmes de régression et de classification, mais c'est vraiment un énorme sous-domaine composé de centaines d'algorithmes et de variations de toutes sortes de problèmes.

Notez que j'ai séparé l'apprentissage en profondeur des réseaux de neurones en raison de la croissance explosive et de la popularité dans ce domaine. Nous nous intéressons ici aux méthodes les plus classiques.

Les algorithmes de réseaux de neurones artificiels les plus connus sont :

• Multilayer Perceptrons (MLP)
• Back-Propagation
• Stochastic Gradient Descent
• Hopfield Network
• Radial Basis Function Network (RBFN)

9.algorithmes d'apprentissage en profondeur (Deep Learning )

Les méthodes d'apprentissage en profondeur sont une mise à jour récente des réseaux de neurones artificiels qui exploitent de nombreux calculs bon marché.

Ils sont concernés par la construction de réseaux de neurones plus grands et plus complexes, et comme cela a été commenté ci-dessus, de nombreuses méthodes concernent de très grands ensembles de données de données analogiques triées, telles que des images et du texte. Audio et vidéo.

Les algorithmes de deep learning les plus connus sont :

• Convolutional Neural Network (CNN)
• Recurrent Neural Networks (RNNs)
• Deep Boltzmann Machine (DBM)
• Deep Belief Networks (DBN)

10.Algorithmes de réduction dimensionnelle (Dimensional reduction algorithms)

Comme les méthodes de clustering, la réduction de dimensionnalité cherche à exploiter et à exploiter la structure inhérente des données, mais dans ce cas de manière non supervisée ou à résumer ou décrire les données en utilisant moins d'informations.

Cela peut être utile pour visualiser des données dimensionnelles ou pour simplifier des données qui peuvent ensuite être utilisées dans une méthode d'apprentissage supervisé. Beaucoup de ces méthodes peuvent être adaptées pour être utilisées dans la classification

• Principal Component Analysis (PCA)
• Principal Component Regression (PCR)
• Partial Least Squares Regression (PLSR)
• Sammon Mapping

• Linear Discriminant Analysis (LDA)
• Mixture Discriminant Analysis (MDA)
• Quadratic Discriminant Analysis (QDA)
• Flexible Discriminant Analysis (FDA

Il existe de nombreux algorithmes qu'il ne suffit pas de mentionner, tels que :

• Algorithm accuracy evaluation
• Performance measures
• Optimization algorithms
• ETC...

FIN  👉Aymen Hamzaoui

CNAM