Apprentissage artificiel et raisonnement artificiel

Apprentissage artificiel et
raisonnement artificiel

Introduction
●Apprentissage artificiel, plusieurs objectifs :
–Apprendre sur des données numériques, sur leur
organisation, leurs régularité. En économétrie, on
utilisera la régression
–Pour les réseaux de neurones, l'apprentissage
artificiel dépasse le cadre des données numériques

Arbres de décision
●Les arbres de décisions servent à apprendre à
partir de masse de données. Différents
algorithmes fondent un même principe.
●On a un ensemble de données :
●Résultat est une variable cible : on veut
apprendre sur cette variable

Arbres de décision (2)
●On veut "apprendre" sur les données : on va
donner un mode de représentation des
données.
●Un algorithme représentatif de l'ensemble des
algorithmes de création d'arbre : algorithme ID3

Arbres de décision (3)
●On cherche le paramètre le plus discriminant.
●Quelle notion de discrimination ? Celle-ci se fait
sur la base de l'entropie :
−∑
i=1
n
pi∗logpi
●Pour n=1, p1=1 ou n=1, p1=0 et l'entropie
(désordre) est nulle
●Pour n=2, p1=0.5 et p2=0.5, l'entropie est
maximale