Le terme équivalent en français pour "machine learning" serait "apprentissage statistique".
Deux communautés s'affrontent sur l'apprentissage automatique :
1) L'intelligence artificielle (ou IA) qui s'occupe de raisonnement logique , de résolution de jeux ... Prolog est un bon exemple du domaine.
2) L'apprentissage statistique avec comme sous-domaine la reconnaissance de forme (ou RF) qui s'occupe d'inférer des règles de décision à partir de données stats. Un modèle typique est les réseaux de neurones. Une application typique est l'OCR.
Bref çà donne des confs comme RFIA (sic.) où sa bastonne dans tous les sens.
Pour revenir au sujet, les auteurs de l'article sont des scientifiques importants du domaine. Ce qui augmente sont impacts.
Parmis les outils libres du domaine on peut citer Torch que j'utilise tous les jours. http://www.torch.ch/ .
L'optimisation est un domaine proche du machine learning, j'utilise aussi la bibliothèque python cvxopt (http://abel.ee.ucla.edu/cvxopt) qui regroupe les algos du célèbre bouquin "Convex optimization" de Stephen Boyd et Lieven Vandenberghe.
J'ai plus ou moins assisté au début de réflexion de l'article lors d'un workshop à la conf NIPS2006 (http://nips.cc/Conferences/2006/Program/event.php?ID=541), le problème qui se posait à l'époque c'était comment mettre en place une licence libre tout en "obligeant" à citer les auteurs des programmes dans les articles. Les réflexions étaient du genre est-ce qu'un soft peut être cité dans la biblio comme un article ? Il faut faire accepter cette pratique aux éditeurs de journaux (ce qui n'est pas joué)...
[^] # Re: il est bien ce papier
Posté par pepie34 . En réponse au journal Le besoin d'open source en apprentissage artificiel. Évalué à 6.
Deux communautés s'affrontent sur l'apprentissage automatique :
1) L'intelligence artificielle (ou IA) qui s'occupe de raisonnement logique , de résolution de jeux ... Prolog est un bon exemple du domaine.
2) L'apprentissage statistique avec comme sous-domaine la reconnaissance de forme (ou RF) qui s'occupe d'inférer des règles de décision à partir de données stats. Un modèle typique est les réseaux de neurones. Une application typique est l'OCR.
Bref çà donne des confs comme RFIA (sic.) où sa bastonne dans tous les sens.
Pour revenir au sujet, les auteurs de l'article sont des scientifiques importants du domaine. Ce qui augmente sont impacts.
Parmis les outils libres du domaine on peut citer Torch que j'utilise tous les jours. http://www.torch.ch/ .
L'optimisation est un domaine proche du machine learning, j'utilise aussi la bibliothèque python cvxopt (http://abel.ee.ucla.edu/cvxopt) qui regroupe les algos du célèbre bouquin "Convex optimization" de Stephen Boyd et Lieven Vandenberghe.
Il y a tout un tas de libs comme libsvm (http://www.csie.ntu.edu.tw/~cjlin/libsvm/).
J'ai plus ou moins assisté au début de réflexion de l'article lors d'un workshop à la conf NIPS2006 (http://nips.cc/Conferences/2006/Program/event.php?ID=541), le problème qui se posait à l'époque c'était comment mettre en place une licence libre tout en "obligeant" à citer les auteurs des programmes dans les articles. Les réflexions étaient du genre est-ce qu'un soft peut être cité dans la biblio comme un article ? Il faut faire accepter cette pratique aux éditeurs de journaux (ce qui n'est pas joué)...
Vlal,