présenté par David Meintrup et Volker Kraft
La modélisation empirique des données est incontournable pour faire face à la concurrence actuelle. Tous les défis techniques et d'ingénierie peuvent désormais être relevés, voire anticipés, en tirant parti des données générées par les opérations de routine.
Cette vidéo porte essentiellement sur l'élaboration de prévisions à l’aide de techniques de classification et d'apprentissage profond.
La « classification » cherche à attribuer des objets à des classes à partir des mesures réalisées. Si les classes sont connues à l'avance, on parle d'apprentissage supervisé, sinon, d'apprentissage non supervisé.
« L'apprentissage profond » est une branche récente de l'apprentissage automatique qui a permis de développer de nombreuses applications, de la classification d'image à la conduite autonome. Il fait appel à des algorithmes d'apprentissage et d'amélioration autonomes.
Voici les thèmes qui seront abordés :
- Techniques d'apprentissage non supervisé
- Méthodes de régression (apprentissage supervisé avec réponse continue)
- Réseaux de neurones et méthodes d'apprentissage profond
- Composantes d'un environnement d'apprentissage profond
- Exemples d'applications d'apprentissage profond montrant l'appel du code R depuis JMP
Présenté en anglais