Dans ce chapitre, nous avons parcouru et décrit succinctement les différents algorithmes du Machine Learning les plus rencontrés et évoqués. Bien entendu, il en existe d’autres. Nous n’avons pas non plus évoqué les réseaux de neurones que nous aborderons en détail un peu plus loin dans cet ouvrage.
Ce chapitre vous permet d’avoir une vue d’ensemble des algorithmes, leur fonctionnement et leur cas d’utilisation en fonction du problème que vous aurez à traiter : régression ou classification dans le cadre d’un apprentissage supervisé et clustering dans le cas d’apprentissages non supervisés. Le tableau ci-dessous reprend les différents algorithmes que nous avons abordés. Libre à vous de le compléter lors de vos futures découvertes et essais d’algorithmes.
Algorithme
Apprentissage supervisé - regression
Apprentissage supervisé - catégorisation
Apprentissage non supervisé
Regression linéaire univariée
X
Régression linéaire multiple
Régression polynomiale
Régression logistique
Arbres de décision
Forêt aléatoire
Machine à vecteurs de support
KNN
Naive Bayes
K-moyennes
Mean-shift
DBSCAN
Mélange gaussien
La partie théorique et présentation est à présent terminée. Nous allons dans le chapitre suivant démarrer ...
Abonnement
tous les livres et vidéos ENI en illimité sans engagement
du livre imprimé ou du livre numérique