 Machine learning 

:
1. Supervised learning
2. Unsupervised learning
3. Reinforcement ( feedback )
- Decision tree : exercice de classification ( determiner la catégorie de qlq chose )

Le principe est de mettre une hypothese pour laquelle on cherche une reponse (yes/no) .
selon la reponse on aura une action a entreprendre.

Exemple : tester si la concentration solution=100g.mol-1 or more .

Si true verifier le voltage s’il est <5V sinon Voltage >5V

Les réponses true a gauche et les reponses false a droite dans l’arbre de decision

Meilleur Algorithme : GridSearchCV

Decision tree vs Adaboost :

- Adaboost : il crée STUMP : the root node +2 leaves

- Decision tree : yesna3 full sized tree

Stump / weak learners

Les individus : pattern

- Random foret (foret d’arbre)

- adaboost

il met en evidence l’erreur pour faire apprendre à l’algorithme afin d’éviter ces erreurs

 Session 2
- ANN : artificial neural network :