Fin ensemble et fonctions, debut ML et Mesure/Proba

1 files changed, 20 insertions, 0 deletions

diff --git a/background/ml.tex b/background/ml.tex
new file mode 100644
index 0000000..2482b40
--- /dev/null
+++ b/background/ml.tex
@@ -0,0 +1,20 @@
+\subsection{Principe}
+\subsection{Entraîner un modèle}
+    \subsubsection{Fonction de coût}
+\subsection{Evaluer un modèle}
+    Nous appelerons ici évaluation d'un modèle le calcule des metriques qui permettent de juger de son utilité.
+    Ces métrique varient en fonction du type de modèle et du contexte dans lequel il est utilisé.
+    Par exemple il est souhaitable qu'un modèle qui permette de prédir l'absence ou la présence d'une maladie ai un faible taux de faux négatifs.
+    Cela permet d'éviter de penser à tords qu'une patient n'est pas malade ce qui pourrai entraîner un retard dans sa prise en charge.
+    \subsubsection{Classification}
+    Les modèles de classification visent à attribuer à chaque point des données ébalué une classe parmis un ensemble fini.
+    Par exemple, dans le cadre de la justice prédictive, inférer pour chaque coupable si il sera recidivise ou non~\cite{zhiyuan2020limits}.
+    Quand il y a deux classes, comme dans l'exemple précédent avec \emph{récidivisite} ou \emph{non-récidiviste}, nous dirons que le modèle effectue un classification binaire.
+    Ce cas est très présent en apprentissage automatique~\cite{} ainsi il existe beaucoup d'outil qui permette d'evaluer ce genre de classifieur.
+        \paragraph{La courbe ROC}
+        \paragraph{La courbe de precision/recall} 
+    \subsubsection{Regression}
+\subsection{Décentralisation}
+    \subsubsection{Federated learning}
+\subsection{Modèles génératifs}
+\label{sec:background-generation}