160 algorithmes de machine learning et d'IA, chacun expliqué pour l'entreprise : le principe en 30 secondes, un cas métier, quand l'utiliser, le code R et Python sur un jeu d'exemple à télécharger.
160 fiches · 160 disponibles
Aucun algo ne correspond. Essayez un autre mot ou la famille « Tous ».
Tracer la droite qui colle le mieux aux données. Prévoir un prix, un CA, une durée.
débutantFiche →Une régression linéaire qui accepte les courbes en ajoutant des puissances.
débutantFiche →Une régression qui freine les coefficients pour éviter le surapprentissage.
intermédiaireFiche →Une régression qui met à zéro les variables inutiles. Sélection automatique.
intermédiaireFiche →Le mélange de Ridge et Lasso, pour les variables très corrélées.
intermédiaireFiche →Prévoir une fourchette plutôt qu'une moyenne : le pire cas, le cas médian.
intermédiaireFiche →Prévoir un nombre d'événements : sinistres, visites, pannes.
intermédiaireFiche →La famille qui unifie linéaire, logistique et Poisson. Pilier de l'actuariat.
intermédiaireFiche →Des courbes lisses par variable, restées lisibles. Le compromis précision / clarté.
avancéFiche →Régresser quand on a plus de variables que de lignes, comme en chimiométrie.
avancéFiche →Une régression qui ne se laisse pas tirer par les valeurs aberrantes.
intermédiaireFiche →Une courbe qui ne peut que monter. Utile pour calibrer des scores.
intermédiaireFiche →Multivariate Adaptive Regression Splines : des morceaux de droites raccordés automatiquement aux bons endroits.
avancéFiche →Tenir compte des groupes (magasins, régions) sans un modèle par groupe.
avancéFiche →Estimer quand un événement arrive : départ client, panne, rechute.
avancéFiche →La courbe de survie de base : quelle part des clients reste après n mois.
intermédiaireFiche →La référence du scoring : chaque coefficient s'explique à un régulateur.
débutantFiche →Une suite de questions oui / non qu'un humain peut lire et vérifier.
débutantFiche →Les arbres à gain d'information, ancêtres encore utilisés en règles métier.
intermédiaireFiche →L'arbre des études marketing, qui découpe en plusieurs branches à la fois.
intermédiaireFiche →Vous ressemblez à vos voisins. Simple, sans entraînement, lent en prédiction.
débutantFiche →Chercher la frontière qui laisse la plus grande marge entre deux classes.
intermédiaireFiche →La SVM qui plie l'espace pour séparer ce qu'une droite ne sépare pas.
avancéFiche →Des probabilités multipliées entre elles. Imbattable en vitesse sur le texte.
débutantFiche →Séparer des classes en projetant sur les axes qui les distinguent le mieux.
intermédiaireFiche →La LDA avec des frontières courbes, quand les classes n'ont pas la même forme.
intermédiaireFiche →Le tout premier neurone artificiel. Une droite corrigée à chaque erreur.
débutantFiche →Une grille de points par variable, le format standard des banques.
intermédiaireFiche →Quand un document peut avoir plusieurs étiquettes à la fois.
intermédiaireFiche →Créer des exemples synthétiques de la classe rare : fraude, churn.
intermédiaireFiche →Entraîner le même modèle sur des tirages différents et faire voter.
intermédiaireFiche →Des centaines d'arbres qui votent. Le premier modèle sérieux sur données tabulaires.
intermédiaireFiche →Une forêt encore plus aléatoire, plus rapide, parfois plus robuste.
intermédiaireFiche →Le premier boosting : chaque modèle se concentre sur les erreurs du précédent.
intermédiaireFiche →Ajouter des petits arbres qui corrigent l'erreur restante, pas à pas.
intermédiaireFiche →Le gradient boosting optimisé qui a gagné des centaines de compétitions.
intermédiaireFiche →Le boosting taillé pour les gros volumes : rapide, léger en mémoire.
intermédiaireFiche →Le boosting qui gère seul les variables catégorielles, sans encodage.
intermédiaireFiche →Un modèle qui apprend à combiner les prédictions d'autres modèles.
avancéFiche →Faire voter des modèles différents. Simple et souvent efficace.
débutantFiche →Découper une base clients en groupes homogènes. La segmentation de base.
débutantFiche →Un K-means dont les centres sont de vrais clients, plus robuste.
intermédiaireFiche →Le K-means pour des millions de lignes, par petits paquets.
intermédiaireFiche →Un arbre de regroupements qu'on coupe à la hauteur voulue.
intermédiaireFiche →Trouver les zones denses et isoler le bruit, sans fixer le nombre de groupes.
intermédiaireFiche →DBSCAN qui s'adapte aux zones de densités différentes.
avancéFiche →Ordonner les points par densité pour voir la structure à toutes les échelles.
avancéFiche →Faire glisser chaque point vers le sommet de densité le plus proche.
intermédiaireFiche →Des groupes en forme d'ellipses, et une probabilité d'appartenance.
intermédiaireFiche →Regrouper via le graphe des similarités. Idéal pour les formes enroulées.
avancéFiche →Les points s'échangent des messages pour élire leurs représentants.
avancéFiche →Un clustering en une passe pour les très grandes bases.
intermédiaireFiche →Une grille de neurones qui dessine une carte de la base clients.
avancéFiche →Segmenter des données qui mélangent chiffres et catégories.
intermédiaireFiche →Résumer 50 variables en 3 axes qui gardent l'essentiel de l'information.
intermédiaireFiche →L'ACP des variables qualitatives, reine des enquêtes et questionnaires.
intermédiaireFiche →Trouver les facteurs cachés derrière des réponses corrélées.
intermédiaireFiche →La décomposition qui sert à tout : compression, recommandation, texte.
intermédiaireFiche →Décomposer en parties positives et additives, lisibles comme des thèmes.
avancéFiche →Séparer des signaux mélangés, comme des voix dans une pièce.
avancéFiche →Projeter des données complexes en 2D en gardant les voisinages.
intermédiaireFiche →Le successeur rapide de t-SNE, qui garde aussi la structure globale.
intermédiaireFiche →Déplier une surface enroulée en suivant les distances le long d'elle.
avancéFiche →Un réseau qui compresse puis reconstruit. Sert aussi à détecter l'anormal.
avancéFiche →Les fraudes s'isolent en peu de coupes. Détecter l'inhabituel sans étiquettes.
intermédiaireFiche →Un point est suspect s'il est bien moins entouré que ses voisins.
intermédiaireFiche →Apprendre la forme du normal et signaler ce qui en sort.
avancéFiche →Les règles statistiques de base, à tester avant tout algorithme.
débutantFiche →Mesurer l'écart au normal en tenant compte des corrélations.
intermédiaireFiche →« Qui achète du pain achète du beurre. » L'analyse du panier.
débutantFiche →Apriori en beaucoup plus rapide, sans générer tous les candidats.
intermédiaireFiche →Trouver les combinaisons fréquentes en croisant des listes de tickets.
intermédiaireFiche →Les parcours qui reviennent : ce qu'on achète après ce qu'on a acheté.
intermédiaireFiche →La prévision la plus simple, la référence que tout modèle doit battre.
débutantFiche →Le passé récent pèse plus que le passé lointain. Robuste et rapide.
débutantFiche →Le lissage qui gère tendance et saisonnalité. Standard en supply chain.
intermédiaireFiche →Prévoir à partir du passé de la série : tendance, saisonnalité, résidus.
intermédiaireFiche →ARIMA avec saisons et variables externes : météo, promos, jours fériés.
avancéFiche →Plusieurs séries qui s'influencent : prix, volumes, stocks.
avancéFiche →Prévoir la volatilité en finance : les périodes agitées se suivent.
avancéFiche →La prévision de ventes clé en main, avec jours fériés et saisons.
débutantFiche →Prévoir une demande intermittente : pièces détachées, produits lents.
intermédiaireFiche →Estimer un état caché à partir de mesures bruitées, en temps réel.
avancéFiche →Séparer une série en tendance, saisonnalité et reste.
intermédiaireFiche →Repérer le moment où une série change de régime.
intermédiaireFiche →Comparer deux courbes décalées dans le temps.
avancéFiche →Un réseau de neurones pensé uniquement pour la prévision.
avancéFiche →Prévision multi-horizon par attention, avec variables explicatives.
avancéFiche →Des modèles pré-entraînés (TimesFM, Chronos) qui prévoient sans entraînement.
avancéFiche →Des couches de neurones qui apprennent des relations non linéaires.
intermédiaireFiche →Comment un réseau corrige ses poids en remontant l'erreur.
intermédiaireFiche →Descendre la pente de l'erreur, pas à pas. Le moteur de tout le deep learning.
débutantFiche →La descente de gradient avec élan et pas adaptatif, réglage par défaut.
intermédiaireFiche →Éteindre des neurones au hasard pour que le réseau ne récite pas.
intermédiaireFiche →Recentrer les signaux entre couches pour apprendre plus vite.
avancéFiche →Des filtres qui glissent sur l'image pour y repérer formes et objets.
intermédiaireFiche →Des raccourcis entre couches qui permettent des réseaux très profonds.
avancéFiche →Découper une image pixel par pixel : imagerie médicale, satellite.
avancéFiche →Détecter et encadrer les objets d'une image en un seul passage.
avancéFiche →Découper l'image en tuiles et leur appliquer l'attention.
avancéFiche →Un réseau qui lit une séquence élément par élément.
intermédiaireFiche →Un réseau avec mémoire, pour les séquences et les séries longues.
avancéFiche →Une version allégée du LSTM, aussi efficace dans bien des cas.
avancéFiche →Apprendre sur des réseaux : fraude en réseau, molécules, logistique.
avancéFiche →Le deep learning qui s'attaque aux tableaux, avec attention par variable.
avancéFiche →Réutiliser un modèle déjà entraîné et l'adapter à son problème.
intermédiaireFiche →Apprendre sans étiquettes en rapprochant ce qui se ressemble.
avancéFiche →Pondérer les mots rares et fréquents pour représenter un document.
débutantFiche →Des mots en vecteurs : roi - homme + femme = reine.
intermédiaireFiche →Trouver les thèmes cachés dans des milliers de verbatims.
intermédiaireFiche →Classer un avis client en positif, négatif ou neutre.
débutantFiche →Extraire noms, dates, montants et lieux d'un texte.
intermédiaireFiche →Chaque mot regarde les autres pour décider lesquels comptent.
avancéFiche →L'architecture derrière tous les LLM actuels.
avancéFiche →Le Transformer qui lit dans les deux sens. Classification, recherche.
avancéFiche →Prédire le mot suivant, à très grande échelle. ChatGPT, Claude, Gemini.
intermédiaireFiche →Comment un LLM découpe le texte en morceaux avant de le lire.
intermédiaireFiche →Transformer un texte en vecteur pour mesurer la proximité de sens.
intermédiaireFiche →Brancher un LLM sur vos documents pour qu'il réponde sources à l'appui.
intermédiaireFiche →Spécialiser un LLM sur vos données en n'entraînant qu'une petite partie.
avancéFiche →Apprendre à un LLM les réponses que les humains préfèrent.
avancéFiche →Un grand modèle qui n'active que les experts utiles à chaque mot.
avancéFiche →Un LLM qui planifie, appelle des outils et vérifie son travail.
intermédiaireFiche →Un faussaire et un expert qui s'entraînent l'un contre l'autre.
avancéFiche →Un autoencodeur qui apprend un espace où l'on peut générer.
avancéFiche →Apprendre à enlever le bruit pour créer une image à partir de rien.
avancéFiche →Relier images et textes dans le même espace de sens.
avancéFiche →Transcrire la parole en texte, dans presque toutes les langues.
intermédiaireFiche →Tester et exploiter en même temps. L'A/B test qui apprend en route.
intermédiaireFiche →Choisir l'option selon la probabilité qu'elle soit la meilleure.
intermédiaireFiche →Apprendre par essais et récompenses. Pricing dynamique, robotique, jeux.
avancéFiche →Le Q-learning avec un réseau de neurones. Il a appris les jeux Atari.
avancéFiche →Apprendre directement la stratégie plutôt que la valeur des actions.
avancéFiche →L'algorithme de renforcement stable utilisé pour entraîner les LLM.
avancéFiche →Simuler des parties pour choisir le meilleur coup. Derrière AlphaGo.
avancéFiche →« Les clients qui ont aimé ceci ont aussi aimé cela. »
intermédiaireFiche →Deviner les notes manquantes à partir de goûts cachés.
avancéFiche →Proposer ce qui ressemble à ce que le client a déjà choisi.
débutantFiche →Apprendre à ordonner des résultats de recherche ou des produits.
avancéFiche →Cibler les clients que la campagne fait vraiment changer d'avis.
avancéFiche →Mettre à jour une croyance quand arrive une nouvelle information.
débutantFiche →Un graphe de causes et d'effets avec leurs probabilités.
avancéFiche →L'état suivant ne dépend que de l'état présent. Parcours clients.
intermédiaireFiche →Deviner des états cachés à partir d'observations : régimes, phonèmes.
avancéFiche →Explorer une distribution compliquée par une marche aléatoire.
avancéFiche →Une régression qui donne aussi son incertitude à chaque point.
avancéFiche →Tirer des milliers de scénarios pour mesurer un risque.
débutantFiche →Estimer un modèle quand une partie des données est cachée.
avancéFiche →Tester un modèle sur des données qu'il n'a jamais vues, plusieurs fois.
débutantFiche →Essayer des combinaisons de réglages et garder la meilleure.
débutantFiche →Choisir intelligemment le prochain réglage à tester.
intermédiaireFiche →Sélection, croisement, mutation : l'évolution appliquée aux solutions.
intermédiaireFiche →Accepter parfois une moins bonne solution pour sortir d'un piège.
intermédiaireFiche →Des particules qui cherchent ensemble en partageant leurs trouvailles.
intermédiaireFiche →Laisser la machine choisir l'algorithme et ses réglages.
débutantFiche →La part de chaque variable dans une prédiction donnée. Standard en audit.
intermédiaireFiche →Expliquer une prédiction par un petit modèle simple autour d'elle.
intermédiaireFiche →Mélanger une variable et mesurer combien le modèle se dégrade.
débutantFiche →Voir comment la prédiction évolue quand une variable varie.
intermédiaireFiche →« Votre crédit serait accordé si votre apport était de 5 000 € de plus. »
intermédiaireFiche →Dataistudio forme les équipes au machine learning et à l'IA, sur des cas concrets.
Nous utilisons des cookies de mesure d'audience et de suivi publicitaire pour comprendre la fréquentation du site et l'efficacité de nos annonces. Rien n'est déposé sans votre accord. En savoir plus