Discussion :

[lahoo]

Bonjour,
je connais pas grand chose en ia, mais après avoir lu pas mal de doc sur les réseaux de neurones j'ai l'impression que ça pourrait bien s'appliquer à mon pb. J'aimerais simplement être sûre que je ne vais pas dans la mauvaise direction avant de me plonger vraiment dans le fonctionnement des réseaux de neurones (qui m'a pas l'air franchement trivial...)
Donc mon projet:
ça consiste à classer des objets en fonctions de leur titre dans des familles d'objet. Le truc c'est que les familles d'objets ne sont pas finies donc idéalement j'aimerais qu'il range dans une famille "inconnue" si la famille n'existe pas encore et pouvoir ajouter des familles au fur et à mesure.
Est-ce que ce genre de comportement peut-être géré avec des réseaux de neurones? Est-ce que ca vous parait l'algorithme le plus adapté pour ce projet?
merci d'avance!

[ToTo13]

Bonjour,

en fait ce que tu veux c'est tout ce qui est méthode de classement : régression logistique, SVM, k-plus proches voisins, analyse discriminante, régression PLS, réseaux de neurones, arbres de décisions, forêts aléatoires, etc.
Donc toutes ces méthodes feront plus ou moins bien ce que tu souhaites.

En revanche, ces méthodes (y compris les rdn) ne géreront pas le nombre de classe dynamique.
En revanche, tu peux ajouter une classe inconnue, puis relancer des apprentissages successif au fur et à mesure que tu souhaites ajouter des classes.

[Clercq]

En IA tu as grossomodo deux type d'algorithme d'apprentissage :
- L'apprentissage supervisé
- L'apprentissage non supervisé

Les RN se situe dans le premier groupe.
Les RN servent à déterminer une classe à une donnée en se servant de donnée deja classé. En gros tu apprends à associer une donnée à une classe en fonction de ses caractéristiques. Du coup les RN vont te servir si tu as des données deja "etiquetté" (associé à une classe) et que tu veux classer d'autre donnée.

D'autres algorithme tels que SVM (Support Vector Machine), KNN (K Near Neightbor) servent à la même choses.

Les algos du deuxieme groupe servent à determiner des cluster (des groupes) en fonction des caractéristiques de chacunes des données mais sans connaissance a priori (pas de donnée deja classé).
Dans ces algorithmes il y a encore deux types :
- Ceux dont il n'y a pas de connaissance a priori sur le nombre de cluster (K-mean ...)
- Ceux dont tu as une idée sur le nombre de cluster (EM (Espectetion-Minimisation) ...)

J'espere que cette bref introduction pourra t'aider.