background/ml.tex


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
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}