Apprentissage profondL'apprentissage profond ou apprentissage en profondeur (en anglais : deep learning, deep structured learning, hierarchical learning) est un sous-domaine de l’intelligence artificielle qui utilise des réseaux neuronaux pour résoudre des tâches complexes grâce à des architectures articulées de différentes transformations non linéaires. Ces techniques ont permis des progrès importants et rapides dans les domaines de l'analyse du signal sonore ou visuel et notamment de la reconnaissance faciale, de la reconnaissance vocale, de la vision par ordinateur, du traitement automatisé du langage.
Réseaux antagonistes génératifsEn intelligence artificielle, les réseaux antagonistes génératifs (RAG) parfois aussi appelés réseaux adverses génératifs (en anglais generative adversarial networks ou GANs) sont une classe d'algorithmes d'apprentissage non supervisé. Ces algorithmes ont été introduits par . Ils permettent de générer des images avec un fort degré de réalisme. Un GAN est un modèle génératif où deux réseaux sont placés en compétition dans un scénario de théorie des jeux. Le premier réseau est le générateur, il génère un échantillon (ex.
Apprentissage automatiqueL'apprentissage automatique (en anglais : machine learning, « apprentissage machine »), apprentissage artificiel ou apprentissage statistique est un champ d'étude de l'intelligence artificielle qui se fonde sur des approches mathématiques et statistiques pour donner aux ordinateurs la capacité d'« apprendre » à partir de données, c'est-à-dire d'améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune. Plus largement, il concerne la conception, l'analyse, l'optimisation, le développement et l'implémentation de telles méthodes.
Réseau de neurones artificielsUn réseau de neurones artificiels, ou réseau neuronal artificiel, est un système dont la conception est à l'origine schématiquement inspirée du fonctionnement des neurones biologiques, et qui par la suite s'est rapproché des méthodes statistiques. Les réseaux de neurones sont généralement optimisés par des méthodes d'apprentissage de type probabiliste, en particulier bayésien.
Arbitrage statistiqueIn finance, statistical arbitrage (often abbreviated as Stat Arb or StatArb) is a class of short-term financial trading strategies that employ mean reversion models involving broadly diversified portfolios of securities (hundreds to thousands) held for short periods of time (generally seconds to days). These strategies are supported by substantial mathematical, computational, and trading platforms. Broadly speaking, StatArb is actually any strategy that is bottom-up, beta-neutral in approach and uses statistical/econometric techniques in order to provide signals for execution.
Modèle d'évaluation par arbitrageLe modèle d'évaluation par arbitrage ou MEA (en anglais, arbitrage pricing theory ou APT) est un modèle financier d'évaluation des actifs d'un portefeuille qui s'appuie sur l'observation des anomalies du MEDAF et considère les variables propres aux firmes susceptibles d'améliorer davantage le pouvoir prédictif du modèle d'évaluation. Pour lutter contre l'instabilité des bétas du MEDAF, le modèle MEA introduit des facteurs macroéconomiques et spécifiques.
Volatilité stochastiqueLa volatilité stochastique est utilisée dans le cadre de la finance quantitative, pour évaluer des produits dérivés, tels que des options. Le nom provient du fait que le modèle traite la volatilité du sous-jacent comme un processus aléatoire, fonction de variables d'états telles que le prix du sous-jacent, la tendance qu'a la volatilité, à moyen terme, à faire revenir le prix vers une valeur moyenne, la variance du processus de la volatilité, etc.
Évaluation financièreL'évaluation financière est l'estimation de la valeur (c'est-à-dire du prix potentiel): des actifs et engagements financiers (actions, obligations, options, contrats d'épargne) et des entreprises évaluation d'entreprise) Tout placement financier étant fait dans une optique future, les principaux paramètres d’estimation de la valeur du placement sont les gains que l'on attend et les risques que l'on perçoit. finance, actif financier, évaluation du prix d'une action, évaluation d'option, évaluation financière
Apprentissage de représentationsEn apprentissage automatique, l'apprentissage des caractéristiques ou apprentissage des représentations est un ensemble de techniques qui permet à un système de découvrir automatiquement les représentations nécessaires à la détection ou à la classification des caractéristiques à partir de données brutes. Cela remplace l'ingénierie manuelle des fonctionnalités et permet à une machine d'apprendre les fonctionnalités et de les utiliser pour effectuer une tâche spécifique.
Apprentissage par renforcement profondL'apprentissage par renforcement profond (en anglais : deep reinforcement learning ou deep RL) est un sous-domaine de l'apprentissage automatique (en anglais : machine learning) qui combine l'apprentissage par renforcement et l'apprentissage profond (en anglais : deep learning). L'apprentissage par renforcement considère le problème d'un agent informatique (par exemple, un robot, un agent conversationnel, un personnage dans un jeu vidéo, etc.) qui apprend à prendre des décisions par essais et erreurs.
