Encyclopédie
Une référence concise et interconnectée. Chaque entrée renvoie aux concepts liés et aux articles qui approfondissent.
Parcourir par sujet
A
Algorithme de Viterbi
Un algorithme de programmation dynamique qui trouve l’unique séquence d’états cachés la plus probable étant donné une séquence d’observations, en propageant le meilleur chemin vers chaque état plutôt que la probabilité totale de l’atteindre.
Arbre de décision
Un modèle qui prédit en appliquant une suite de tests à seuil sur des variables isolées, divisant les données en groupes de plus en plus homogènes.
C
E
É
Équation de Bellman
La condition de cohérence selon laquelle l’utilité d’un état égale sa récompense immédiate plus la valeur actualisée de la meilleure action disponible, moyennée sur les issues que cette action ne contrôle pas.
État de croyance
La loi de probabilité qu’un agent entretient sur les états où il pourrait se trouver, compte tenu de tout ce qu’il a fait et perçu - ce sur quoi il peut agir quand l’état lui-même est caché.
F
G
L
M
MDP partiellement observable
Un processus de décision markovien dans lequel l’agent ne peut pas observer son état directement, mais seulement des perceptions bruitées de celui-ci - résolu en principe en traitant la distribution sur les états comme l’état d’un MDP ordinaire, totalement observable.
Minimax
Une règle de décision pour les jeux à somme nulle à deux joueurs, où chacun choisit le coup qui maximise son pire résultat face à une opposition optimale.
Modèle de Markov caché
Un modèle temporel dans lequel une unique variable d’état discrète évolue comme une chaîne de Markov et émet une observation par pas de temps, si bien que l’état doit être inféré à partir d’un indicateur bruité plutôt qu’observé directement.
P
Perplexité
L’exponentielle de l’entropie croisée moyenne d’un modèle, lue comme le nombre d’options équiprobables entre lesquelles il choisit effectivement à chaque pas.
Planification automatique
Trouver une suite d’actions qui atteint un but, où les états sont des ensembles de fluents instanciés et les actions des schémas ne décrivant que ce qu’elles changent.
Problème de satisfaction de contraintes
Un problème énoncé comme un ensemble de variables, un domaine de valeurs permises pour chacune, et des contraintes restreignant les combinaisons de valeurs qui peuvent être prises simultanément, de sorte qu’un solveur générique puisse raisonner sur sa structure sans aucune connaissance du domaine.
Processus de décision markovien
Un modèle formel de prise de décision séquentielle dont les issues sont en partie aléatoires, défini par des états, des actions, des probabilités de transition et des récompenses.
R
Recherche A*
Une recherche en graphe du meilleur d’abord qui développe le nœud minimisant la somme du coût déjà engagé et d’une estimation du coût restant.
Réseau bayésien
Un graphe orienté acyclique dont les nœuds sont des variables aléatoires et dont les arêtes expriment une influence directe, avec une table de probabilités conditionnelles à chaque nœud, qui définissent ensemble une loi jointe complète comme un produit de facteurs locaux.
Réseau de neurones
Un modèle composé de couches d’unités simples, chacune calculant une somme pondérée suivie d’une fonction non linéaire, ajusté par descente de gradient au moyen de la rétropropagation.