Arbres de décision et stimulation

Cette séance de cours couvre les arbres de décision dans l'apprentissage automatique, expliquant comment ils formalisent des stratégies pour les processus de prise de décision. Il se penche sur le partitionnement récursif de l'espace des caractéristiques, le processus de poser des questions pour faire des prédictions, et les critères d'impureté utilisés pour diviser les nœuds. L'instructeur discute également de la flexibilité et des limites des arbres de décision, y compris leur susceptibilité au bruit dans les données. En outre, la séance de cours introduit boosting comme une méthode pour combiner plusieurs prédicteurs séquentiellement, en se concentrant sur l'algorithme Adaboost et son application dans le renforcement de gradient. Des exemples pratiques et des algorithmes tels que le CART et les forêts aléatoires sont également explorés.