CLASSIFICATION
Les réseaux de neurones
Les réseaux de neurones peuvent être vus comme des graphes orientés dans lesquels, un neurone artificiel est représenté par un nœud, et la connexion entre deux neurones par un arc. Cette méthode est dite « supervisée », en effet, on prédéfinit plusieurs sorties qui sont les différentes classes étiquetées. Un des classifieurs les plus courants est le perceptron multicouche. Il se base sur la propagation vers l'avant. Chaque neurone d'une couche est connecté à tous les neurones d'une autre couche, le signal ne peut qu'aller de l'avant et ne peut à aucun moment retourner sur une couche antérieure. Ainsi, à une entrée est attribuée une sortie qui est donc une classe prédéfinie. La méthode d'apprentissage du perceptron multicouche consiste en un algorithme de rétro propagation d'erreur. Autrement dit la valeur de sortie est comparée à celle désirée en vue de changer le poids des connexions afin de réduire la différence obtenue.
Les chaînes de Markov cachées
En modélisant le signal comme une chaîne d’événements, alors on peut en tirer des variables aléatoires. La reconnaissance ou non d'une variable à une classe, et donc d'un mouvement, s'appuie alors sur le fait que le modèle correspondant est celui qui présente la probabilité la plus importante de séquences d'observations.
Les K- plus proches voisins (KNN)
L'algorithme KNN est un algorithme visant à classifier les différentes entrées aux classes de sorties prédéfinies en se basant sur leurs voisins. Ceci peut se résumer comme « Dis moi qui est ton voisin, je te dirais qui tu es ». En effet, cet algorithme va prendre en entrée, une observation à partir d'un ensemble d'observations, ici, l'observation représente un vecteur de caractéristiques. Par la suite une fonction de distance est utilisée afin de calculer celle de notre observation avec toutes les autres données de notre ensemble de départ. En ne retenant que les K observations les plus proches et en utilisant leurs valeurs de sortie, alors l'algorithme renvoie le mode de ces valeurs de sortie.
La logique flou
Dans les méthodes classiques de classification, les vecteurs de caractéristiques remplissent des conditions « booléennes » quant aux classes de sorties : ils appartiennent à la classe ou ils n'y appartiennent pas. La logique floue vise à pallier ce problème en utilisant des sous ensembles pouvant représenter l'imprécision comme dans la langue naturelle. En effet, les valeurs utilisées dans la logique floue sont alors des mots linguistiques tels que « plutôt vrai, près de, loin, petit » en permettant de faire de l'incertitude une donnée supplémentaire. C'est pourquoi la logique flou est également appelée « logique linguistique ».
Notion d'apprentissage par renforcement
L'objectif d'un apprentissage par renforcement est de faire émerger des comportements qui vont permettre d'accéder à des succès et d'inhiber les comportements qui nous amènent à des échecs. Ainsi, l'agent analyse les conséquences de ses actions afin d'apprendre lesquelles l'amènent à des succès en vue de les reproduire et de supprimer celles qui l'amènent à des échecs.