Cours 11 Flashcards
AI définition :
Développement de systèmes et de machines intelligents capables d’effectuer des tâches qui nécessiteraient autrement l’intelligence humaine.
Apprentissage machine (ML) : définition
- Sous-catégorie de l’AI.
Création d’algorithmes capables d’apprendre à partir des données fournies et de prendre des décisions en fonction des modèles observés dans ces données.
Apprentissage profond (DL) : définition
- Sous-catégorie
supplémentaire du ML.
Il utilise un réseau neuronal artificiel pour traiter les données à travers différentes couches d’algorithmes et parvenir à une décision précise sans intervention humaine.
Importance de l’apprentissage machine :
outils puissants pour analyser et comprendre les comportements humains.
-identifier des schémas comportementaux complexes
-prédire les comportements futurs en fonction de variables psychologiques pertinentes
-d’automatiser des tâches telles que l’analyse de textes pour extraire des informations sur les sentiments ou les émotions des individus.
Qu’est-ce que l’apprentissage supervisé ? Et l’apprentissage non-supervisé ?
utilisation de données étiquetées pour entraîner un modèle à prédire des résultats futurs (ex : prédire diagnostic selon performances aux tests cognitifs)
trouver des schémas ou des structures cachées dans les données sans utiliser d’étiquettes préexistantes
Qui suis-je ?
Un agent apprend à prendre des décisions en interagissant avec un environnement.
apprentissage par renforcement
L’agent effectue des actions, et en fonction de ces actions, l’environnement fournit des retours sous forme de récompenses ou de pénalités.
L’objectif de l’agent est d’apprendre une politique qui maximise la récompense cumulative au fil du temps.
Manière de nettoyer et de préparer les données :
- valeurs aberrantes ou manquantes
- la normalisation des données pour les mettre à la même échelle
- la conversion des variables catégorielles en formats appropriés pour l’analyse
- divisées en ensembles d’entraînement et de test pour évaluer la performance des modèles
**éviter le surajustement
Modèles les plus simples et plus utilisés en psychologie pour prédire une variable continue en fonction de variables indépendantes, qui suis-je ?
La régression linéaire
Objectif de la régression linéaire ?
Obtenir une équation qui minimise l’erreur entre les valeurs prédites et les valeurs observées, ce qui permet de faire des prédictions sur de nouvelles données.
L’objectif est de trouver les bêtas qui minimisent l’erreur de prédiction.
Qui suis-je ? Largement utilisé en psychologie, mais qui s’applique lorsque la variable cible est catégorique :
Quel est son objectif ?
la classification
L’objectif de la classification est d’assigner des étiquettes ou des catégories à des données basées sur leurs caractéristiques.
Définition clustering :
- former des groupes de points de données homogènes à partir d’un ensemble de données hétérogènes.
○ Il évalue la similarité en fonction d’une métrique
et regroupe ensuite les points ayant le score de similarité le plus élevé ensemble.
Taux de vrai positif (sensibilité) et taux de faux positif (spécificité). Quelles sont les formules ?
true positive/(true positive + false négative)
false positive/(false positive + true negative)
Qu’est-ce que le sur-ajustement et le sous-ajustement ?
Sur-ajustement (Overfitting) :
Le modèle est trop complexe par rapport à la quantité de données disponibles, ou lorsqu’il est entraîné pendant trop longtemps.
Sous-ajustement (Underfitting):
Le modèle est trop basique ou lorsqu’il n’est pas entraîné suffisamment longtemps pour capturer les tendances dans les données.
Exemple d’application de l’apprentissage machine :
Analyse de sentiment et classification de textes
prédire les comportements futurs en se basant sur des données observationnelles sur le comportement passé
utilisés pour fournir un contenu éducatif ou thérapeutique personnalisé en fonction des besoins individuels des apprenants ou des patients.
Qu’est-ce qu’un réseau de neurones profonds ?
- Multiples couches de neurones interconnectés.
○ Effectuant chacune des opérations de transformation.
Pour la transmettre à l’autre. - Capacité d’apprendre des représentations hiérarchiques des données
caractéristiques complexes et abstraites à différents niveaux d’abstraction.