Section courante

A propos

Section administrative du site

 Langage  Elément  Bibliothèque  API  SDK  Cadre d'application  Modèle  Projet  Outils  Aide 
ABAP/4
Ada
Assembleur
Assembly & bytecode
ASP (Active Server Pages)
Basic
C
C++
C# (C Sharp)
Cobol
ColdFusion
Fortran
HTML
Java
JavaScript
LISP
Logo
LotusScript
Oberon
Pascal
Perl
PHP
PL/1
Prolog
Python
Rebol
REXX
Ruby
SAS
NoSQL
SQL
Swift
X++ (Axapta)
GNAT
SMALLAda
VHDL
Assembleur 370
Assembleur 1802
Assembleur 4004
Assembleur 6502
Assembleur 6800
Assembleur 68000
Assembleur 8080 et 8085
Assembleur 8089
Assembleur 80x86
Assembleur AGC4
Assembleur ARM
Assembleur DPS 8000
Assembleur i860
Assembleur Itanium
Assembleur MIPS
Assembleur PDP-11
Assembleur PowerPC
Assembleur RISC-V
Assembleur SPARC
Assembleur SuperH
Assembleur UNIVAC I
Assembleur VAX
Assembleur Z80
Assembleur Z8000
Assembleur z/Architecture
ASSEMBLER/MONITOR 64
Micol Assembler
GFA Assembler
A86
MASM (Macro Assembler)
TASM (Turbo Assembler)
CIL
Jasmin
LLVM
MSIL
Parrot
P-Code (PCode)
SWEET16
G-Pascal
ASP 1.0
ASP 2.0
ASP 3.0
ASP.NET
ASP.NET Core
ABasiC (Amiga)
Adam SmartBASIC
Altair BASIC
AmigaBASIC (Amiga)
AMOS Basic (Amiga)
Atari Basic (Atari 400, 600 XL, 800, 800XL)
Basic Apple II (Integer BASIC/APPLESOFT)
Basic Commodore 64 (CBM-BASIC)
Basic Commodore 128 (BASIC 7.0)
Basic Commodore VIC-20 (CBM-BASIC 2.0)
Basic Coco 1 (Color Basic)
Basic Coco 2 (Extended Color Basic)
Basic Coco 3 (Extended Color Basic 2.0)
BASICA (PC DOS)
Basic Pro
BBC BASIC
Blitz BASIC (Amiga)
DarkBASIC
Dartmouth BASIC
GFA-Basic (Atari ST/Amiga)
GWBASIC (MS-DOS)
Liberty BASIC
Locomotive BASIC (Amstrad CPC)
MSX-Basic
Omikron Basic (Atari ST)
Oric Extended Basic
Power Basic
Quick Basic/QBasic (MS-DOS)
Sinclair BASIC (ZX80, ZX81, ZX Spectrum)
ST BASIC (Atari ST)
Turbo Basic
Vintage BASIC
VBScript
Visual Basic (VB)
Visual Basic .NET (VB .NET)
Visual Basic pour DOS
Yabasic
BeckerBASIC
SIMONS' BASIC
Basic09 d'OS-9
Disk Extended Color Basic
Basic09 d'OS-9
Disk Extended Color Basic
Access
Excel
Visual Basic pour Windows
Visual Basic .NET pour Windows
C Shell Unix (csh)
C pour Amiga
C pour Atari ST
C pour DOS
C pour Falcon030
C pour GEMDOS (Atari ST)
C pour Linux
C pour PowerTV OS
C pour OS/2
C pour Unix
C pour Windows
Aztec C
CoCo-C
GNU C
HiSoft C
IBM C/2
Introl-C
Lattice C
Microsoft C
MinGW C
MSX-C
Open Watcom C
OS-9 C Compiler
Pure C
Quick C
Turbo C
HiSoft C for Atari ST
HiSoft C for CP/M (Amstrad CPC)
C++ pour OS/2
C++ pour Windows
Borland C++
C++Builder
IBM VisualAge C++
Intel C++
MinGW C++
Open Watcom C++
Symantec C++
Turbo C++
Visual C++
Visual C++ .NET
Watcom C++
Zortech C++
C# (C Sharp) pour Windows
Apple III Cobol
Microsoft Cobol
BlueDragon
Lucee
OpenBD
Railo
Smith Project
Microsoft Fortran
WATFOR-77
CSS
FBML
Open Graph
SVG
XML
XSL/XSLT
LESS
SASS
GCJ (GNU)
JSP
Jython
Visual J++
Node.js
TypeScript
AutoLISP
ACSLogo
LotusScript pour Windows
Amiga Oberon
Oberon .NET
Apple Pascal
Delphi/Kylix/Lazarus
Free Pascal
GNU Pascal
HighSpeed Pascal
IBM Personal Computer Pascal
Lisa Pascal
Maxon Pascal
MPW Pascal
OS-9 Pascal
OSS Personal Pascal
Pascal-86
Pascal du Cray Research
Pascal/VS
Pascal-XT
PURE Pascal
QuickPascal
RemObjets Chrome
Sun Pascal
THINK Pascal
Tiny Pascal (TRS-80)
Turbo Pascal
UCSD Pascal
VAX Pascal
Virtual Pascal
Turbo Pascal for CP/M-80
Turbo Pascal for DOS
Turbo Pascal for Macintosh
Turbo Pascal for Windows
CodeIgniter (Cadre d'application)
Drupal (Projet)
Joomla! (Projet)
Phalanger (PHP .NET)
phpBB (Projet)
Smarty (balise)
Twig (balise)
Symfony (Cadre d'application)
WordPress (Projet)
Zend (Cadre d'application)
PL360
PL/M-80
PL/M-86
Turbo Prolog
CPython
IronPython
Jython
PyPy
AREXX
Regina REXX
JMP
Btrieve
Cassandra
Clipper
CouchDB
dBASE
Hbase
Hypertable
MongoDB
Redis
Access
BigQuery
DB2
H2
Interbase
MySQL
Oracle
PostgreSQL
SAP HANA
SQL Server
Sybase
U-SQL
Introduction
Apprentissage automatique (ML)
Automatisation des processus robotisés (RPA)
Compréhension linguistique
Système expert
Vision par ordinateur (CV)
Apprentissage profond (Deep Learning)
Réseau de neurones artificiels (ANN)
Agent conversationnel (Chatbot)
Compréhension du langage naturel (NLU)
Traitement de langage naturel (TLN ou NLP)
fastText
LIBSVM
MITIE
Nucleus
Scikit-Learn
spaCy
Theano
CAI NEURAL API
Bot Framework SDK
Accord.NET Framework
Apache Mahout
Encog
Infer.NET
Keras
ML.NET
numl
PyTorch
TensorFlow
BERT
LEGAL-BERT
ProphetNet
Botpress
RASA
ONNX
Préface
Notes légal
Dictionnaire
Recherche

Apprentissage automatique (ML)

L'apprentissage automatique (aussi nommé ML ou Machine learning) est un ensemble d'algorithmes mathématiques pour l'analyse automatique des données. Le ML a commencé à prospérer entre les années 1980 et les années 2010 et comprend des algorithmes populaires tels que la machine vectorielle de support (SVM), les K-moyennes, la régression linéaire, pour n'en nommer que quelques-uns. Le but de l'apprentissage automatique d'obtenir la capacité à apprendre et à s'améliorer sans être explicitement programmés pour chaque tâche.

Voici ses principales caractéristiques de l'apprentissage automatique :

Régression

La régression est l'ajustement d'une ligne ou d'une courbe représentative (dans des dimensions plus élevées, un hyperplan ou une surface générale) à un ensemble de points de données d'entrée/sortie. La régression en général peut être effectuée pour diverses raisons : pour produire une soi-disant ligne de tendance (ou courbe) pouvant être utilisée pour aider à résumer visuellement, ramener un point particulier sur les données à l'étude, ou pour apprendre un modèle afin que des prédictions précises peuvent être faites concernant les valeurs de sortie à l'avenir.

Classification

La tâche d'apprentissage automatique de la classification est similaire en principe à celle de la régression. La principale différence entre les deux est qu'au lieu de prédire une production à valeur continue (par exemple, le prix de l'action, la tension artérielle,....), avec la classification, ce que nous visons à prédire prend des valeurs ou des classes discrètes. Les problèmes de classification se posent sous une multitude de formes. Par exemple, la reconnaissance d'objets, où différents objets d'un ensemble d'images sont distingués les uns des autres (par exemple, des chiffres manuscrits pour le tri automatique du courrier ou des panneaux de signalisation pour les voitures semi-autonomes et autonomes), est un problème de classification très populaire. D'autres problèmes de classification courants incluent la reconnaissance vocale (reconnaissance de différents mots prononcés pour les systèmes de reconnaissance vocale), la détermination du sentiment général d'un réseau social comme Twitter envers un produit ou un service particulier, ainsi que la détermination du type de geste de la main que quelqu'un fait à partir d'un ensemble de possibilités (à utiliser par exemple pour contrôler un ordinateur sans souris).

Liste des solutions

Voici la liste des solutions pour l'apprentissage automatique :

Produit Catégorie
Accord.NET Framework Cadre d'application .NET
Apache Mahout Projet Java
Encog Cadre d'application Java, C#
Infer.NET Cadre d'application .NET
LIBSVM Bibliothèque Java/C++
MITIE Bibliothèque C++
ML.NET Cadre d'application .NET
Nucleus Bibliothèque C++/Python
numl Cadre d'application .NET
PyTorch Cadre d'application Python
Scikit-Learn Bibliothèque Python
TensorFlow Bibliothèque Python, C++, Java et Go

Voir également

Alibaba Cloud - Machine Learning Platform For AI
AWS - Amazon SageMaker
Azure - Azure Machine Learning
IBM Cloud - IBM Watson Machine Learning

PARTAGER CETTE PAGE SUR
Dernière mise à jour : Jeudi, le 10 septembre 2020