Forêt d'arbres décisionnelsvignette|Illustration du principe de construction d'une forêt aléatoire comme agrégation d'arbre aléatoires. En apprentissage automatique, les forêts d'arbres décisionnels (ou forêts aléatoires de l'anglais random forest classifier) forment une méthode d'apprentissage ensembliste. Ils ont été premièrement proposées par Ho en 1995 et ont été formellement proposées en 2001 par Leo Breiman et Adele Cutler. Cet algorithme combine les concepts de sous-espaces aléatoires et de bagging.
Classement automatiquevignette|La fonction 1-x^2-2exp(-100x^2) (rouge) et les valeurs déplacées par un bruit de 0,1*N(0,1). Le classement automatique ou classification supervisée est la catégorisation algorithmique d'objets. Elle consiste à attribuer une classe ou catégorie à chaque objet (ou individu) à classer, en se fondant sur des données statistiques. Elle fait couramment appel à l'apprentissage automatique et est largement utilisée en reconnaissance de formes. En français, le classement fait référence à l'action de classer donc de « ranger dans une classe ».
Binary classificationBinary classification is the task of classifying the elements of a set into two groups (each called class) on the basis of a classification rule. Typical binary classification problems include: Medical testing to determine if a patient has certain disease or not; Quality control in industry, deciding whether a specification has been met; In information retrieval, deciding whether a page should be in the result set of a search or not. Binary classification is dichotomization applied to a practical situation.
Classification naïve bayésiennevignette|Exemple de classification naïve bayésienne pour un ensemble de données dont le nombre augmente avec le temps. La classification naïve bayésienne est un type de classification bayésienne probabiliste simple basée sur le théorème de Bayes avec une forte indépendance (dite naïve) des hypothèses. Elle met en œuvre un classifieur bayésien naïf, ou classifieur naïf de Bayes, appartenant à la famille des classifieurs linéaires. Un terme plus approprié pour le modèle probabiliste sous-jacent pourrait être « modèle à caractéristiques statistiquement indépendantes ».
Bootstrap aggregatingLe bootstrap aggregating, également appelé bagging (de bootstrap aggregating), est un meta-algorithme d'apprentissage ensembliste conçu pour améliorer la stabilité et la précision des algorithmes d'apprentissage automatique. Il réduit la variance et permet d'éviter le surapprentissage. Bien qu'il soit généralement appliqué aux méthodes d'arbres de décision, il peut être utilisé avec n'importe quel type de méthode. Le bootstrap aggregating est un cas particulier de l'approche d'apprentissage ensembliste.
Machine à vecteurs de supportLes machines à vecteurs de support ou séparateurs à vaste marge (en anglais support-vector machine, SVM) sont un ensemble de techniques d'apprentissage supervisé destinées à résoudre des problèmes de discrimination et de régression. Les SVM sont une généralisation des classifieurs linéaires. Les séparateurs à vaste marge ont été développés dans les années 1990 à partir des considérations théoriques de Vladimir Vapnik sur le développement d'une théorie statistique de l'apprentissage : la théorie de Vapnik-Tchervonenkis.
Classifieur linéaireEn apprentissage automatique, les classifieurs linéaires sont une famille d'algorithmes de classement statistique. Le rôle d'un classifieur est de classer dans des groupes (des classes) les échantillons qui ont des propriétés similaires, mesurées sur des observations. Un classifieur linéaire est un type particulier de classifieur, qui calcule la décision par combinaison linéaire des échantillons. « Classifieur linéaire » est une traduction de l'anglais linear classifier.
Crise d'épilepsieUne crise d'épilepsie ou crise épileptique est caractérisée par divers symptômes dus à une activité neuronale anormalement excessive ou synchrone dans le cerveau. Les effets extérieurs varient de mouvements de tremblement incontrôlés impliquant une grande partie du corps avec perte de connaissance (crise d'épilepsie généralisée tonico-clonique), de mouvements de tremblement n'impliquant qu'une partie du corps avec des niveaux de conscience variables (crise épileptique focale) ou à une perte de conscience momentanée subtile (absence épileptique).
Apprentissage ensemblisteIn statistics and machine learning, ensemble methods use multiple learning algorithms to obtain better predictive performance than could be obtained from any of the constituent learning algorithms alone. Unlike a statistical ensemble in statistical mechanics, which is usually infinite, a machine learning ensemble consists of only a concrete finite set of alternative models, but typically allows for much more flexible structure to exist among those alternatives.
ÉpilepsieL', aussi appelée mal comitial, est une affection neurologique qui touche plus de 50 millions de personnes à travers le monde. Elle est définie comme une famille de maladies dont le point commun est une prédisposition cérébrale à engendrer des « crises » épileptiques dites « non provoquées », c'est-à-dire spontanées, non expliquées par un facteur causal immédiat.
Seizure typesIn the field of neurology, seizure types are categories of seizures defined by seizure behavior, symptoms, and diagnostic tests. The International League Against Epilepsy (ILAE) 2017 classification of seizures is the internationally recognized standard for identifying seizure types. The ILAE 2017 classification of seizures is a revision of the prior ILAE 1981 classification of seizures. Distinguishing between seizure types is important since different types of seizures may have different causes, outcomes, and treatments.
Causes of seizuresGenerally, seizures are observed in patients who do not have epilepsy. There are many causes of seizures. Organ failure, medication and medication withdrawal, cancer, imbalance of electrolytes, hypertensive encephalopathy, may be some of its potential causes. The factors that lead to a seizure are often complex and it may not be possible to determine what causes a particular seizure, what causes it to happen at a particular time, or how often seizures occur. Malnutrition and overnutrition may increase the risk of seizures.
Crise non-épileptique psychogèneLes crises non-épileptiques psychogènes (CNEP ou crises non épileptiques) sont des événements ressemblant à des crises d'épilepsie, mais sans les décharges électriques caractéristiques associées à l'épilepsie. Les CNEP entrent dans la catégorie des troubles connus sous le nom de troubles neurologiques fonctionnels, également appelés troubles de conversion. Un terme plus récent pour décrire ces événements est les crises dissociatives non-épileptiques. Elles sont généralement traitées par des psychologues ou des psychiatres.
Linear separabilityIn Euclidean geometry, linear separability is a property of two sets of points. This is most easily visualized in two dimensions (the Euclidean plane) by thinking of one set of points as being colored blue and the other set of points as being colored red. These two sets are linearly separable if there exists at least one line in the plane with all of the blue points on one side of the line and all the red points on the other side. This idea immediately generalizes to higher-dimensional Euclidean spaces if the line is replaced by a hyperplane.
Non-epileptic seizureNon-epileptic seizures (NES), also known as non-epileptic events, are paroxysmal events that appear similar to an epileptic seizure but do not involve abnormal, rhythmic discharges of neurons in the brain. Symptoms may include shaking, loss of consciousness, and loss of bladder control. They may or may not be caused by either physiological or psychological conditions. Physiological causes include fainting, sleep disorders, and heart arrhythmias. Psychological causes are known as psychogenic non-epileptic seizures.
Reflex seizureReflex seizures are epileptic seizures that are consistently induced by a specific stimulus or trigger making them distinct from other epileptic seizures, which are usually unprovoked. Reflex seizures are otherwise similar to unprovoked seizures and may be focal (simple or complex), generalized, myoclonic, or absence seizures. Epilepsy syndromes characterized by repeated reflex seizures are known as reflex epilepsies. Photosensitive seizures are often myoclonic, absence, or focal seizures in the occipital lobe, while musicogenic seizures are associated with focal seizures in the temporal lobe.
Syndrome de WestLe syndrome de West, aussi connu sous le nom de spasmes infantiles, est une forme rare d'épilepsie du nourrisson. Nommé d'après le médecin anglais (1793-1848), qui le premier en a fait la description dans un article publié dans la revue The Lancet en 1841. D'autres termes sont utilisés pour le décrire : « épilepsie en flexion généralisée », « encéphalite myclonique infantile avec hypsarythmie », « tic de salaam » ("paix" en arabe, utilisé pour dire "bonjour") ou « spasme infantile ».
Crise épileptique focaleLes crises épileptiques focales (également appelées crises partielles et crises locales) sont des crises qui affectent en premier seulement un seul hémisphère du cerveau. Une crise épileptique partielle est générée à l'intérieur du cerveau et n'en affecte qu'une seule partie — un hémisphère entier ou une partie d'un lobe. Les symptômes varient selon l'endroit où survient la crise.
BoostingLe boosting est un domaine de l'apprentissage automatique (branche de l'intelligence artificielle). C'est un principe qui regroupe de nombreux algorithmes qui s'appuient sur des ensembles de classifieurs binaires : le boosting optimise leurs performances. Le principe est issu de la combinaison de classifieurs (appelés également hypothèses). Par itérations successives, la connaissance d'un classifieur faible - weak classifier - est ajoutée au classifieur final - strong classifier.
Ingénierie des caractéristiquesL'ingénierie des caractéristiques (en anglais feature engineering) a un rôle important, notamment dans l’analyse des données. Sans données, les algorithmes d’exploitation et d’apprentissage automatique de données ne seront pas en mesure de fonctionner. En effet, il s’avère qu’en réalité, on ne pourrait réaliser que peu de choses si nous ne disposions que de très peu de caractéristiques afin de pouvoir représenter les données, ou les banques de données, sous-jacentes.
